期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于改进SIFT的高鲁棒性特征点提取方法 被引量:9
1
作者 邰能建 吴德伟 戚君宜 《航空学报》 EI CAS CSCD 北大核心 2012年第12期2313-2321,共9页
为实现无人作战飞机(UCAV)认知导航的高鲁棒性特征点提取,提出一种基于自适应非极大值抑制(ANMS)的多元量化Hessian-Affine迭代式尺度不变特征变换(SIFT)方法。针对认知导航对特征点均匀分布的需求,提出基于ANMS的初始特征点优选算法。... 为实现无人作战飞机(UCAV)认知导航的高鲁棒性特征点提取,提出一种基于自适应非极大值抑制(ANMS)的多元量化Hessian-Affine迭代式尺度不变特征变换(SIFT)方法。针对认知导航对特征点均匀分布的需求,提出基于ANMS的初始特征点优选算法。为确保特征点的仿射不变性,利用引入迭代调节因子的Hessian-Affine迭代算法估计仿射不变区域,并在对应归一化圆形区域进行主方向确定以及圆形描述子生成。针对模拟特征序列分布不均匀、正确匹配率不高的缺陷,采用多值量化与比特抽取结合法对模拟特征序列进行多元量化,并且分析验证了该方法的优越性能。仿真结果表明,本文方法具有较高的正确匹配率,具有旋转不变性和尺度不变性,其抗噪性能提高了10dB,并且在大视角变化范围内具有较优的抗仿射性能。 展开更多
关键词 认知导航 迭代SIFT 仿射不变 量化 自适应非极大值抑制
原文传递
改进YOLOv4-tiny网络的狭小空间目标检测方法 被引量:7
2
作者 王长清 贺坤宇 蒋帅 《计算机工程与应用》 CSCD 北大核心 2022年第10期240-248,共9页
针对狭小空间中目标相互遮挡导致轻型检测网络存在大量漏检、分类错误等问题,基于YOLOv4-tiny提出一种自适应非极大抑制(adaptive non-maximum suppression,A-NMS)的多尺度检测方法。在骨干网络引入大尺度特征图优化策略和金字塔池化模... 针对狭小空间中目标相互遮挡导致轻型检测网络存在大量漏检、分类错误等问题,基于YOLOv4-tiny提出一种自适应非极大抑制(adaptive non-maximum suppression,A-NMS)的多尺度检测方法。在骨干网络引入大尺度特征图优化策略和金字塔池化模型,增强遮挡目标显著区域特征;设计内嵌空间注意力的双路金字塔特征融合网络,提升浅层细节特征与高级语义信息的融合能力;提出区域目标密度与边界框中心距离因子相关联的动态NMS阈值设定方法,并在后处理阶段代替传统IoU-NMS算法,进一步减少漏检。实验结果表明,与YOLOv4-tiny算法相比,改进算法在公开数据集PASCAL VOC07+12和自制数据集上mAP值分别提高2.84个百分点和3.06个百分点,FPS保持在87.9,对遮挡目标的检测能力显著提升,满足移动端对狭小复杂场景实时检测的需求。 展开更多
关键词 狭小空间 遮挡目标检测 YOLOv4-tiny 空间注意力 多尺度特征融合 自适应非极大抑制
下载PDF
阵列工业图像快速拼接算法 被引量:4
3
作者 高向军 王倩 +2 位作者 洪留荣 沈龙凤 葛方振 《科学技术与工程》 北大核心 2019年第22期249-253,共5页
相机阵列获取的多目图像拼接常依赖特征点的数量和空间分布情况,采用传统Harris角点检测算法提取特征点时,会产生伪角点和角点簇,影响拼接速度和精度.自定义Harris角点检测阈值,保留明显特征点,利用自适应非极大值抑制(ANMS)优化角点簇... 相机阵列获取的多目图像拼接常依赖特征点的数量和空间分布情况,采用传统Harris角点检测算法提取特征点时,会产生伪角点和角点簇,影响拼接速度和精度.自定义Harris角点检测阈值,保留明显特征点,利用自适应非极大值抑制(ANMS)优化角点簇问题;再生成特征描述子,实现特征点的初步匹配,接着用随机抽样一致算法(RANSAC)去除误匹配;最后采用渐入渐出融合算法,实现了拼接图像的平滑过渡.结果表明,该算法能够快速、精确地实现工业图像拼接,具有优良的工业实用性. 展开更多
关键词 图像拼接 HARRIS角点检测 自定义阈值 自适应非极大值抑制 随机抽样一致算法
下载PDF
基于改进YOLOv4的道路病害实时检测模型
4
作者 黄艳国 李罗 +1 位作者 曾东红 王丽宁 《现代计算机》 2024年第8期1-8,37,共9页
针对道路中存在多类、尺度不一的病害类型导致其检测精度低、检测速率慢以及漏检等问题,提出一种基于改进YOLOv4的道路病害实时检测模型。在网络模型中,首先优化卷积块中的归一化方式,采用组归一化来代替批量归一化,避免因BatchSize过... 针对道路中存在多类、尺度不一的病害类型导致其检测精度低、检测速率慢以及漏检等问题,提出一种基于改进YOLOv4的道路病害实时检测模型。在网络模型中,首先优化卷积块中的归一化方式,采用组归一化来代替批量归一化,避免因BatchSize过小而导致检测效果不佳的情况发生;同时对卷积块进行优化,使用深度可分离卷积块来替代原有卷积块,量化网络模型的参数计算量,提高检测速度;最后在检测头中使用自适应非极大值抑制算法,解决非极大值抑制固定阈值引起的小目标漏检和误检问题。实验结果表明,改进后的YOLOv4算法在道路病害检测的检测精度mAP值高达88.64%,检测速度可达37.90帧/秒;与原YOLOv4算法相比,改进后的算法在检测精度上提高了2.89个百分点,同比检测速度增加了10.60帧/秒,且有效解决了漏检现象,进一步提高了在道路病害检测中的实用性。 展开更多
关键词 道路病害检测 YOLOv4 组归一化 深度可分离卷积 自适应非极大值抑制
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部