以YOLOv3的架构为基础,提出了一种基于双通道的快速低空无人机检测识别方法(Dual-YOLOv3)。该方法将红外与可见光的无人机图像同时输入到深度残差网络中进行特征提取,对所提取的特征图进行融合以增强特征的表达能力,利用多尺度预测网络...以YOLOv3的架构为基础,提出了一种基于双通道的快速低空无人机检测识别方法(Dual-YOLOv3)。该方法将红外与可见光的无人机图像同时输入到深度残差网络中进行特征提取,对所提取的特征图进行融合以增强特征的表达能力,利用多尺度预测网络对无人机目标进行类别判断和位置回归,得到检测识别结果。在真实采集的双波段无人机数据集上进行对比实验,结果表明,采用平均融合的Dual-YOLOv3-D在mAP(mean of average precision)上较单一数据源的YOLOv3提升了约6.1%,检测速度约为27 s-1。展开更多
针对在目标检测中现有方法检测速度慢的问题,基于航拍图像中人造物体含有大量边缘的特点,提出了一种基于梯度聚类的区域建议算法(APM)。利用目标检测算法对提取的感兴趣区域进行检测,在DOTA (Dataset for Object deTection in Aerial Im...针对在目标检测中现有方法检测速度慢的问题,基于航拍图像中人造物体含有大量边缘的特点,提出了一种基于梯度聚类的区域建议算法(APM)。利用目标检测算法对提取的感兴趣区域进行检测,在DOTA (Dataset for Object deTection in Aerial Images)数据集上对算法的实时性和准确率进行了测试。研究结果表明,所提算法极大地提升了目标检测算法对大尺寸、目标密集的航拍图像的检测速度,该方法的召回率较高。展开更多
基于深度学习的目标检测算法是目前目标检测领域最流行的算法,但是由于硬件条件的限制,算法输入图像的尺寸受到限制。对于大尺寸的航拍图像,通常先采用滑窗法提取区域,再对提取的区域进行检测,极大地降低了算法的检测速度。针对这一问题...基于深度学习的目标检测算法是目前目标检测领域最流行的算法,但是由于硬件条件的限制,算法输入图像的尺寸受到限制。对于大尺寸的航拍图像,通常先采用滑窗法提取区域,再对提取的区域进行检测,极大地降低了算法的检测速度。针对这一问题,本文根据航拍图像中人造物体含有大量边缘的特点,提出了一种基于深度学习的梯度聚类目标检测算法,并阐述了其模型结构与工作原理,然后通过151张航拍图像数据集测试,对比评估了梯度聚类SSD方法与滑窗SSD方法在航拍图像检测上的检测精度和检测速度。结果表明:梯度聚类SSD方法的FPS(Frames Per Second)为0.499,SPF(Seconds Per Frame)为2.00,mAP(mean Average Precision)为46.93,相比滑窗SSD方法,在损失11.72%的检测精度的条件下,FPS提高了64.69%(SPF提高了40.40%),验证了所提出算法的有效性。展开更多
文摘以YOLOv3的架构为基础,提出了一种基于双通道的快速低空无人机检测识别方法(Dual-YOLOv3)。该方法将红外与可见光的无人机图像同时输入到深度残差网络中进行特征提取,对所提取的特征图进行融合以增强特征的表达能力,利用多尺度预测网络对无人机目标进行类别判断和位置回归,得到检测识别结果。在真实采集的双波段无人机数据集上进行对比实验,结果表明,采用平均融合的Dual-YOLOv3-D在mAP(mean of average precision)上较单一数据源的YOLOv3提升了约6.1%,检测速度约为27 s-1。
文摘针对在目标检测中现有方法检测速度慢的问题,基于航拍图像中人造物体含有大量边缘的特点,提出了一种基于梯度聚类的区域建议算法(APM)。利用目标检测算法对提取的感兴趣区域进行检测,在DOTA (Dataset for Object deTection in Aerial Images)数据集上对算法的实时性和准确率进行了测试。研究结果表明,所提算法极大地提升了目标检测算法对大尺寸、目标密集的航拍图像的检测速度,该方法的召回率较高。
文摘基于深度学习的目标检测算法是目前目标检测领域最流行的算法,但是由于硬件条件的限制,算法输入图像的尺寸受到限制。对于大尺寸的航拍图像,通常先采用滑窗法提取区域,再对提取的区域进行检测,极大地降低了算法的检测速度。针对这一问题,本文根据航拍图像中人造物体含有大量边缘的特点,提出了一种基于深度学习的梯度聚类目标检测算法,并阐述了其模型结构与工作原理,然后通过151张航拍图像数据集测试,对比评估了梯度聚类SSD方法与滑窗SSD方法在航拍图像检测上的检测精度和检测速度。结果表明:梯度聚类SSD方法的FPS(Frames Per Second)为0.499,SPF(Seconds Per Frame)为2.00,mAP(mean Average Precision)为46.93,相比滑窗SSD方法,在损失11.72%的检测精度的条件下,FPS提高了64.69%(SPF提高了40.40%),验证了所提出算法的有效性。
