全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 国际民航陆空通话用语标准化现状与建议——基于ICAO技术手册《空中交通管理》
- 作者： 周恒宇 朱波 来源： 中国标准化 年份： 2024 文献类型 ： 期刊 关键词： 空中交通管理 标准化 陆空通话 标准用语
- 描述： 陆空通话用语标准化是国际民航安全的基石，在民航国际化和空中交通强国建设中发挥重要作用。本文依托国际民航组织（ICAO）技术手册《空中交通管理》（Doc.4444），分析陆空通话标准用语的特点，指出
- 基于YOLOv4的航空发动机叶片凸台目标检测
- 作者： 陈为 钟欣童 张婧 李泽辰 来源： 计算机仿真 年份： 2022 文献类型 ： 期刊 关键词： 数据增强 目标检测 叶片凸台检测 聚类分析
- 描述： 的适应对凸台检测中小目标、结构复杂的特点，通过聚类分析的方法调整先验框尺寸，同时对原始数据集使用Mosaic方法进行数据增强。实验结果表明，改进后的YOLOv4模型在检测精度上提高了15.85%,召回率提高了21%,平均交并比可达0.75,检测性能优于在同一数据集中使用的SSD目标检测算法。
- 基于YOLOv4的航空发动机叶片凸台目标检测
- 作者： 陈为 钟欣童 张婧 李泽辰 来源： 计算机仿真 年份： 2022 文献类型 ： 期刊 关键词： 数据增强 目标检测 叶片凸台检测 聚类分析
- 描述： 的适应对凸台检测中小目标、结构复杂的特点，通过聚类分析的方法调整先验框尺寸，同时对原始数据集使用Mosaic方法进行数据增强。实验结果表明，改进后的YOLOv4模型在检测精度上提高了15.85%,召回率提高了21%,平均交并比可达0.75,检测性能优于在同一数据集中使用的SSD目标检测算法。
- 不完备信息条件下航空反潜数据增强与态势分析方法
- 作者： 李辰 胡袆帆 来源： 航空电子技术 年份： 2023 文献类型 ： 期刊 关键词： 不完备信息 数据增强 态势分析 航空反潜
- 描述： 在航空反潜时，获得的情报信息有限，需要在信息不完备条件下感知目标并分析态势，本文提出不完备数据增强、知识重构与态势分析的解决方法。通过生成式对抗网络对声与非声等反潜感知缺失信息进行数据增强，提高感知
- 不完备信息条件下航空反潜数据增强与态势分析方法
- 作者： 李辰 胡袆帆 来源： 航空电子技术 年份： 2023 文献类型 ： 期刊 关键词： 不完备信息 数据增强 态势分析 航空反潜
- 描述： 在航空反潜时，获得的情报信息有限，需要在信息不完备条件下感知目标并分析态势，本文提出不完备数据增强、知识重构与态势分析的解决方法。通过生成式对抗网络对声与非声等反潜感知缺失信息进行数据增强，提高感知
- 基于多尺度U-Net与Transformer特征融合的航空遥感图像飞机检测方法
- 作者： 张善文 邵彧 李萍 令伟锋 来源： 弹箭与制导学报 年份： 2024 文献类型 ： 期刊 关键词： Transformer Net与Transformer 航空遥感图像飞机检测 多尺度U Net
- 描述： 航空遥感图像(ARSI)飞机检测一直是一个重要且具有挑战性的课题。针对现有ARSI飞机检测方法(ARSIAD)检测目标的边缘模糊、小目标的检测精度低、没有充分利用ARSI的全局上下文信息等问题，提出一种基于多尺度U-Net与Transformer (MSU-Trans)特征融合的ARSIAD方法。通过多尺度卷积模块Inception提取ARSI中多样性目标的分类特征，通过Transformer增强模型的全局语义检测性能，通过特征融合模块整合高层和低层特征，得到航空目标图像完整的边缘和纹理特征。该模型结合多尺度U-Net较强的局部特征提取能力和Transformer较强的全局上下文依存关系提取能力，进而提高MSU-Trans的整体检测性能。在ARSI集上的试验表明，与U-Net、多尺度U-Net、注意力U-Nets相比，MSU-Trans具有较高的检测精度，精度超过95%,该方法为ARSIAD提供一定的技术支撑。
- 基于多尺度U-Net与Transformer特征融合的航空遥感图像飞机检测方法
- 作者： 张善文 邵彧 李萍 令伟锋 来源： 弹箭与制导学报 年份： 2024 文献类型 ： 期刊 关键词： Transformer Net与Transformer 航空遥感图像飞机检测 多尺度U Net
- 描述： 航空遥感图像(ARSI)飞机检测一直是一个重要且具有挑战性的课题。针对现有ARSI飞机检测方法(ARSIAD)检测目标的边缘模糊、小目标的检测精度低、没有充分利用ARSI的全局上下文信息等问题，提出一种基于多尺度U-Net与Transformer (MSU-Trans)特征融合的ARSIAD方法。通过多尺度卷积模块Inception提取ARSI中多样性目标的分类特征，通过Transformer增强模型的全局语义检测性能，通过特征融合模块整合高层和低层特征，得到航空目标图像完整的边缘和纹理特征。该模型结合多尺度U-Net较强的局部特征提取能力和Transformer较强的全局上下文依存关系提取能力，进而提高MSU-Trans的整体检测性能。在ARSI集上的试验表明，与U-Net、多尺度U-Net、注意力U-Nets相比，MSU-Trans具有较高的检测精度，精度超过95%,该方法为ARSIAD提供一定的技术支撑。