基于YOLOv5的航空图像目标检测方法研究

作者： 文青.   来源： 东莞理工学院 年份： 2023 文献类型 ： 学位论文 关键词： Circular   损失函数   注意力机制   Transformer   YOLOv5   Smooth   Label   Swin  

描述： 基于YOLOv5的航空图像目标检测方法研究

基于YOLOv5的航空图像目标检测方法研究

作者： 文青.   来源： 东莞理工学院 年份： 2023 文献类型 ： 学位论文 关键词： Circular   损失函数   注意力机制   Transformer   YOLOv5   Smooth   Label   Swin  

描述： 基于YOLOv5的航空图像目标检测方法研究

基于YOLOv5的航空图像目标检测方法研究

作者： 文青.   来源： 东莞理工学院 年份： 2023 文献类型 ： 学位论文 关键词： Circular   损失函数   注意力机制   Transformer   YOLOv5   Smooth   Label   Swin  

描述： 基于YOLOv5的航空图像目标检测方法研究

基于YOLOv5的航空图像目标检测方法研究

作者： 文青.   来源： 东莞理工学院 年份： 2023 文献类型 ： 学位论文 关键词： Circular   损失函数   注意力机制   Transformer   YOLOv5   Smooth   Label   Swin  

描述： 基于YOLOv5的航空图像目标检测方法研究

基于YOLOv5的航空图像目标检测方法研究

作者： 文青.   来源： 东莞理工学院 年份： 2023 文献类型 ： 学位论文 关键词： Circular   损失函数   注意力机制   Transformer   YOLOv5   Smooth   Label   Swin  

描述： 基于YOLOv5的航空图像目标检测方法研究

基于YOLOv5的航空图像目标检测方法研究

作者： 文青.   来源： 东莞理工学院 年份： 2023 文献类型 ： 学位论文 关键词： Circular   损失函数   注意力机制   Transformer   YOLOv5   Smooth   Label   Swin  

描述： 基于YOLOv5的航空图像目标检测方法研究

基于YOLOv5的航空图像目标检测方法研究

作者： 文青.   来源： 东莞理工学院 年份： 2023 文献类型 ： 学位论文 关键词： Circular   损失函数   注意力机制   Transformer   YOLOv5   Smooth   Label   Swin  

描述： 基于YOLOv5的航空图像目标检测方法研究

基于YOLOv5的航空图像目标检测方法研究

作者： 文青.   来源： 东莞理工学院 年份： 2023 文献类型 ： 学位论文 关键词： Circular   损失函数   注意力机制   Transformer   YOLOv5   Smooth   Label   Swin  

描述： 基于YOLOv5的航空图像目标检测方法研究

基于Transformer的航空目标检测算法

作者： 季长清   高志勇   秦静   汪祖民   来源： 无线电工程 年份： 2023 文献类型 ： 期刊 关键词： 倾斜目标   Transformer   深度学习   航空检测  

描述： 近几年，基于深度学习的目标检测算法在航空图像检测任务中得到了广泛的应用。针对传统的水平目标检测算法无法定位航空图像中大量密集排列的倾斜目标的问题，提出了TF-BBAVectors模型算法来实现航空图像中倾斜目标的检测任务。首先，为了避免深度卷积神经网络带来的网络退化等问题使用Transformer结构搭建特征提取网络；其次，针对密集地、小尺度图像目标的问题，采用多尺度特征融合的方法提升检测效果；最后针对倾斜目标检测的问题，通过边界框边缘感知向量表示任意角度的倾斜目标。在DOTA 1.0和SSDD+数据集上的部分测试结果表明，此方法的平均精度分别为72.39%和79.98%，证明了TF-BBAVectors模型算法的有效性。

基于Trans/Attention的飞行区航空器监视数据融合方法

作者： 王兴隆   尹昊   丁俊峰   来源： 北京航空航天大学学报 年份： 2023 文献类型 ： 期刊 关键词： 场面监视雷达   注意力机制   Transformer   数据融合   广播式自动相关监视  

描述： 针对飞行区航空器单一监视源存在监视精度低、位置跳变的问题，提出了一种基于Transformer和注意力机制的航空器监视数据融合方法。首先利用Transformer的编码器结构分别对各监视源数据进行特征提取，然后通过注意力机制对不同监视源赋予权重值，最后经过全连接网络进行回归计算，以获得最终的融合结果。选取场面监视雷达和广播式自动相关监视系统的监视数据作为融合源，多点定位数据作为真实标签，实验结果表明，该方法有效降低了单一监视源的监视误差，且融合效果优于基于注意力机制的长短期记忆网络、循环神经网络和扩展卡尔曼滤波融合方法，平均绝对误差分别提升了2.20%、14.32%和33.94%。