基于卷积神经网络的遥感图像飞机目标检测研究

作者： 仉长涛   来源： 河北工业大学 年份： 2020 文献类型 ： 学位论文 关键词： 遥感图像   语义信息   卷积神经网络   特征融合   语义分割   目标检测  

描述： 基于卷积神经网络的遥感图像飞机目标检测研究

基于卷积神经网络的航空遥感图像目标检测研究

作者： 宋琦   来源： 西安电子科技大学 年份： 2020 文献类型 ： 学位论文 关键词： YOLO   R   CNN   卷积神经网络   目标检测   航空遥感图像  

描述： 基于卷积神经网络的航空遥感图像目标检测研究

基于卷积神经网络的遥感图像飞机目标检测研究

作者： 仉长涛   来源： 河北工业大学 年份： 2020 文献类型 ： 学位论文 关键词： 遥感图像   语义信息   卷积神经网络   特征融合   语义分割   目标检测  

描述： 基于卷积神经网络的遥感图像飞机目标检测研究

基于改进YOLOv4的航空发动机叶片损伤检测

作者： 王倩岚     刘文波     滕子煜     单永奇   来源： 机械制造与自动化 年份： 2025 文献类型 ： 期刊 关键词： 注意力机制   扩张卷积   叶片损伤   发动机   目标检测   YOLOv4  

描述： 基于改进YOLOv4的航空发动机叶片损伤检测

基于改进YOLOv7-tiny飞行员表情识别算法研究

作者： 杨一豪   来源： 信息技术与信息化 年份： 2025 文献类型 ： 期刊 关键词： 情绪识别   CBAM   Conv   YOLOv7   Ghost   目标检测  

描述： 基于改进YOLOv7-tiny飞行员表情识别算法研究

改进YOLOv8n的轻量级遥感图像军用飞机检测算法

作者： 杨瑞君     张浩     叶璟   来源： 电子测量技术 年份： 2025 文献类型 ： 期刊 关键词： 目标检测   YOLOv8   军用飞机   注意力模块   倒置瓶颈   特征金字塔  

描述： 改进YOLOv8n的轻量级遥感图像军用飞机检测算法

SAR图像飞机目标检测识别进展

作者： 郭倩   王海鹏   徐丰   来源： 雷达学报 年份： 2020 文献类型 ： 期刊 关键词： 飞机识别   合成孔径雷达   散射信息   深度学习   飞机检测  

描述： 的散射机制及面临的技术难点，阐述了SAR飞机目标检测识别的系统流程、技术路线和关键科学问题，对基于传统与基于深度学习两个方面的飞机目标检测识别的研究进展进行了归纳总结，并讨论了各类方法的特点及存在

基于深度学习的离场航空器滑行时间预测（英文）

作者： 李楠   焦庆宇   朱新华   王少聪   来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   场面运行   滑行时间   深度学习   航空运输  

描述： 起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model

基于编解码网络的航空影像像素级建筑物提取

作者： 陈凯强   高鑫   闫梦龙   张跃   孙显   来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   建筑物提取   深度学习   遥感   航空影像  

描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。

基于编解码网络的航空影像像素级建筑物提取

作者： 陈凯强   高鑫   闫梦龙   张跃   孙显   来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   建筑物提取   深度学习   遥感   航空影像  

描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。