航空文献资源库

按文献类别分组

按栏目分组

按年份分组

按来源分组

关键词

基于PYQT5的飞机图像分类教学系统的设计与实现: 作者： 赵雪专王子阳吴亚博刘玉波朱怡嘉鲁鹏 来源： 自动化应用 年份： 2025 文献类型： 期刊 关键词： Densenet 图像分类 视觉几何组 GoogLeNet PyQt5 AlexNet; 描述： 基于PYQT5的飞机图像分类教学系统的设计与实现

基于PYQT5的飞机图像分类教学系统的设计与实现: 作者： 赵雪专王子阳吴亚博刘玉波朱怡嘉鲁鹏 来源： 自动化应用 年份： 2025 文献类型： 期刊 关键词： Densenet 图像分类 视觉几何组 GoogLeNet PyQt5 AlexNet; 描述： 基于PYQT5的飞机图像分类教学系统的设计与实现

飞机目标分类的深度卷积神经网络设计优化: 作者： 马俊成赵红东杨东旭康晴 来源： 激光与光电子学进展 年份： 2020 文献类型： 期刊 关键词： 图像分类 深度卷积神经网络图像处理高分类精度飞机目标归一化混淆矩阵; 描述： 飞机目标分类的深度卷积神经网络设计优化

改进YOLO V3遥感图像飞机识别应用: 作者： 郑志强刘妍妍潘长城李国宁 来源： 电光与控制 年份： 2019 文献类型： 期刊 关键词： YOLO Densenet 遥感图像 means 卷积神经网络飞机识别 k V3; 描述： 为了准确识别遥感图像中的飞机,基于YOLO V3算法,通过使用K-means算法对数据集进行聚类分析,借鉴Densenet网络的思想,将YOLO V3网络中的两个残差网络模块替换为两个密集网络模块,改进为一种Dense-YOLO深度卷积神经网络结构。对改进前与改进后的网络进行训练,分别选出使两个网络识别效果最好的权重文件,针对高质量遥感图像与过度曝光、云雾遮挡等低质量遥感图像分别进行测试与分析。实验结果表明,新改进的深度卷积神经网络应用在两种图像上效果均有提升。其中,改进的算法在高质量的遥感图像中准确率高达99.72%,比原始算法准确率提升了0.85%,召回率高达98.34%,召回率提升了1.94%。在低质量遥感图像中准确率高达96.12%,比原始算法准确率提升了5.07%,召回率高达93.10%,召回率提升了19.75%。

< 1 >