高分辨率遥感影像的目标检测与识别,是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题,本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测...高分辨率遥感影像的目标检测与识别,是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题,本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围,获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度,提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明,本文架构ZF模型和本文架构VGG-16模型的mean average precision(mAP)分别比Faster-RCNNZF模型和Faster-RCNNVGG-16模型提高8.17%和8.31%,本文卷积神经网络架构可获得良好的影像目标检测与识别效果。展开更多
在计算机视觉领域中,物体检测技术近年来备受关注。YOLO(you only look once)是一种将物体检测概括为回归问题的检测算法,由于采用了端到端的训练和检测方法,保证了良好的速度与精度,近几年被成功地应用到众多领域。文章对YOLO系列算法...在计算机视觉领域中,物体检测技术近年来备受关注。YOLO(you only look once)是一种将物体检测概括为回归问题的检测算法,由于采用了端到端的训练和检测方法,保证了良好的速度与精度,近几年被成功地应用到众多领域。文章对YOLO系列算法的重要应用进行详细调研,并与已有物体检测算法进行对比,在此基础上总结了YOLO的特点,指出了YOLO算法未来的发展趋势。展开更多
为解决新型的双源无轨电车的集电杆自动识别集电盒并快速并网的问题,通过改进YOLO-V4(you only look once version 4)网络模型,得到SE-YOLO-POLY(squeeze and excitation networks-you only look once version 4-POLY)网络架构。采用该...为解决新型的双源无轨电车的集电杆自动识别集电盒并快速并网的问题,通过改进YOLO-V4(you only look once version 4)网络模型,得到SE-YOLO-POLY(squeeze and excitation networks-you only look once version 4-POLY)网络架构。采用该网络架构,解决了由于集电盒的大小不一致、高度不一致、拍照角度不一致导致识别的集电盒出现异动的形变和尺寸变化、无法顺利并网的问题。通过SE-YOLO-POLY网络的数据集的生成、模型的设计、训练环境、实际运行反标定方式的搭建等步骤完成网络的部署。改进的模型无论在训练时间、模型大小、识别精度还是在处理速度等方面,都优于传统网络,实现了复杂环境下新型的双源无轨电车的智能并网。展开更多
文摘高分辨率遥感影像的目标检测与识别,是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题,本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围,获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度,提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明,本文架构ZF模型和本文架构VGG-16模型的mean average precision(mAP)分别比Faster-RCNNZF模型和Faster-RCNNVGG-16模型提高8.17%和8.31%,本文卷积神经网络架构可获得良好的影像目标检测与识别效果。
文摘在计算机视觉领域中,物体检测技术近年来备受关注。YOLO(you only look once)是一种将物体检测概括为回归问题的检测算法,由于采用了端到端的训练和检测方法,保证了良好的速度与精度,近几年被成功地应用到众多领域。文章对YOLO系列算法的重要应用进行详细调研,并与已有物体检测算法进行对比,在此基础上总结了YOLO的特点,指出了YOLO算法未来的发展趋势。
文摘为解决新型的双源无轨电车的集电杆自动识别集电盒并快速并网的问题,通过改进YOLO-V4(you only look once version 4)网络模型,得到SE-YOLO-POLY(squeeze and excitation networks-you only look once version 4-POLY)网络架构。采用该网络架构,解决了由于集电盒的大小不一致、高度不一致、拍照角度不一致导致识别的集电盒出现异动的形变和尺寸变化、无法顺利并网的问题。通过SE-YOLO-POLY网络的数据集的生成、模型的设计、训练环境、实际运行反标定方式的搭建等步骤完成网络的部署。改进的模型无论在训练时间、模型大小、识别精度还是在处理速度等方面,都优于传统网络,实现了复杂环境下新型的双源无轨电车的智能并网。
