检索结果-内蒙古大学图书馆

北京航空航天大学学报 2024年

作者：李露陈科研刘辰阳史振威北京航空航天大学宇航学院图像中心

精准高效的船只目标检测在确保海洋利益和构建海洋强国中发挥着重要作用，其现实价值显著。然而，现有的基于可见光遥感图像的船只检测算法大多依赖于锚框，计算量大、超参数且算法的泛化能力有限。尽管自然图像目标检测算法通过采用无... 详细信息

精准高效的船只目标检测在确保海洋利益和构建海洋强国中发挥着重要作用，其现实价值显著。然而，现有的基于可见光遥感图像的船只检测算法大多依赖于锚框，计算量大、超参数且算法的泛化能力有限。尽管自然图像目标检测算法通过采用无锚的方法改进了这些问题，但它们仅能实现水平框检测，无法应对船只目标形状狭长、角度分布不同和排列紧密等特点。针对这些问题，本文设计了一种无锚旋转框遥感图像船只目标检测算法。具体来说，本文在CenterNet的基础上，针对遥感图像船只检测任务，提出了一种基于分布先验的置信度系数预测分支来产生更高质量的正样本；一种基于双曲激活的角度预测分支来限制角度的输出空间，得到更准确度旋转角度表示;同时，该方法采用柔性正负样本标签分配策略，以提供动态的精细化的监督信息，加速网络的收敛。在HRSC2016数据集上的实验验证了本文方法相比与其他先进对比方法的优越性，并证实了各模块的有效性。

关键词：遥感图像光学遥感图像船只目标检测无锚检测器旋转框目标检测

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv5的鱼眼图像目标检测算法

引用

湖南大学学报（自然科学版） 2024年第6期51卷 29-39页

作者：韩彦峰任奇肖科重庆大学机械与运载工程学院重庆400044

针对自动驾驶场景下车载鱼眼相机采集到的图像存在畸变严重、场景复杂、尺度变化剧烈、小目标多以及传统的目标检测模型的检测精度不高的问题,提出了一种基于YOLOv5s改进的鱼眼图像检测模型YOLOv5s-R.首先,为解决小目标难识别的问题,提... 详细信息

针对自动驾驶场景下车载鱼眼相机采集到的图像存在畸变严重、场景复杂、尺度变化剧烈、小目标多以及传统的目标检测模型的检测精度不高的问题,提出了一种基于YOLOv5s改进的鱼眼图像检测模型YOLOv5s-R.首先,为解决小目标难识别的问题,提出随机裁剪多尺度训练的数据增强方法,该方法优于消融实验所得的最优数据增强方法.其次,为了提高模型的检测精度,在网络头部添加置换注意力机制与轻量化解耦头,增强模型对特征的提取能力与识别能力,并抑制噪声干扰.最后,模型额外增加角度预测项,实现旋转框目标检测.通过构建环形标签并用高斯函数对标签平滑,解决了旋转框角度的周期性问题;又对损失函数进行了优化,提出了RIOU,在CIOU的基础上增加角度惩罚项,提高了回归精度并加快了模型的收敛.实验结果表明,提出的YOLOv5s-R模型在WoodScape数据集上取得良好的检测效果,相比于原始的YOLOv5s模型,mAP@0.5、mAP@0.5∶0.95分别提升了6.8%、5.6%,达到82.6%、49.5%.

关键词： YOLOv5s 自动驾驶鱼眼图像旋转框目标检测

来源：评论

学校读者我要写书评

暂无评论

基于重参数化广义金字塔与扩张残差的遥感图像旋转框算法

引用

电子测量与仪器学报 2024年第12期38卷 54-61页

作者：董宝鑫王江涛淮北师范大学物理与电子信息学院淮北235000 智能计算及应用安徽省重点实验室淮北235000

由于遥感图像中目标数量多而密集,且背景信息复杂,导致现有检测算法对于小目标检测精度不够理想,针对该问题,提出了一种基于重参数化广义金字塔与扩张残差的遥感图像小目标旋转框检测算法DRS-YOLO。首先,为克服主干网络对特征提取不足... 详细信息

由于遥感图像中目标数量多而密集,且背景信息复杂,导致现有检测算法对于小目标检测精度不够理想,针对该问题,提出了一种基于重参数化广义金字塔与扩张残差的遥感图像小目标旋转框检测算法DRS-YOLO。首先,为克服主干网络对特征提取不足的缺点,以旋转算法YOLOv8OBB为基础,在颈部网络引入扩张式残差模块,以增强遥感目标语义信息。其次,为提高网络对于多尺度目标的检测性能,使底层特征信息流向高层,引入重参数化泛化特征金字塔网络替换颈部网络结构,更高效的融合多尺度特征,易于捕捉高层语义和低层空间细节。最后,为进一步提高网络对于小目标的检测性能,基于SPPF提出SPPFI对目标感受野进行扩展,提升了对遥感目标的检测精度。在公开的DIOR数据集和HRSC2016数据集上相较于原YOLOv8sOBB基线网络的检测精度分别提升了1.5%和9.8%。实验表明改进后的算法显著增强了对遥感图像小目标的检测性能。

关键词：深度学习遥感图像旋转框目标检测重参数广义金字塔 DRS-YOLO

来源：评论

学校读者我要写书评

暂无评论

基于R2CNN的天气雷达边界层辐合线识别算法

引用

应用气象学报 2024年第6期35卷 654-666页

作者：郑玉徐芬王亚强南京气象科技创新研究院南京210041 中国气象局交通气象重点开放实验室南京210041 中国气象科学研究院灾害天气国家重点实验室北京100081

边界层辐合线是触发对流的中尺度天气系统之一,边界层辐合线的精细化识别对于揭示其形成、演变及与其他系统相互作用机制至关重要。目前自动识别技术在适应边界层辐合线多样性(如尺度、强度和形状)方面存在局限。旋转区域卷积神经网络(R... 详细信息

边界层辐合线是触发对流的中尺度天气系统之一,边界层辐合线的精细化识别对于揭示其形成、演变及与其他系统相互作用机制至关重要。目前自动识别技术在适应边界层辐合线多样性(如尺度、强度和形状)方面存在局限。旋转区域卷积神经网络(R2CNN)可提高识别准确性、鲁棒性和泛化能力。综合考虑天气雷达型号和分辨率的多样性,针对性构建识别数据集用于模型训练,调整相应参数得到识别模型,并利用交并比和置信度评估检验识别效果。结果表明:基于R2CNN的边界层辐合线识别算法在使用较低交并比阈值时命中率更高且空报率更低,当置信度为0.7时,TS(threat score)评分最高。与现有的阵风锋识别算法(Machine Intelligence Gust Front Algorithm,MIGFA)效果相比,R2CNN在减少误报、提升命中率及平衡识别频率等关键性能方面优势显著,适用于业务应用与推广。

关键词：边界层辐合线低空飞行安全阵风锋 R2CNN 旋转框目标检测

来源：评论

学校读者我要写书评

暂无评论

基于自注意力机制的遥感图像细粒度目标检测

基于自注意力机制的遥感图像细粒度目标检测

引用

作者：刘添华中南大学

学位级别：硕士

遥感影像空间分辨率的不断提升,为利用遥感影像完成更精细的任务提供了可能。传统粗粒度水平框目标检测逐渐难以满足当前对精细化目标检测日益增长的需求。因此,遥感影像细粒度目标检测成为了一个亟需突破的研究方向。然而,直接将传统... 详细信息

遥感影像空间分辨率的不断提升,为利用遥感影像完成更精细的任务提供了可能。传统粗粒度水平框目标检测逐渐难以满足当前对精细化目标检测日益增长的需求。因此,遥感影像细粒度目标检测成为了一个亟需突破的研究方向。然而,直接将传统检测模型迁移至细粒度目标检测任务中会存在以下问题:1.在俯视图成像的遥感影像中,水平框检测所引入的背景噪音会干扰细粒度分类,采用旋转框检测方法能避免这一问题。然而传统以卷积神经网络(CNNs)为特征提取的模型很难准确的编码目标方向信息,数据集目标方向分布的改变会导致检测精度的波动,无法保证模型的鲁棒性。2.传统目标检测范式中,目标的分类、回归特征之间存在高度耦合,难以完成对分类精细度要求更高的细粒度目标检测任务。3.现有的水平框、旋转框检测模型在目标分类时使用其所在区域的全部特征,如果不加筛选的使用目标区域特征则在细粒度分类任务中等同于引入噪音,影响细粒度分类精度。针对于上述问题,本文分别提出基于特征解耦的遥感图像细粒度目标检测模型以及基于自注意力机制下旋转等价性特征学习的旋转框目标检测模型。并在以上两个模型的基础上,引入细粒度分类所用特征的筛选机制,提出基于自注意力机制下显著性特征选取的细粒度目标检测模型。本文的主要工作内容和创新如下:(1)提出了一种基于自注意力机制的旋转框目标检测模型Ort Det。其全局感受野特性在旋转框目标检测任务的监督学习下,所学习到的目标特征能够随物体方向变化而发生相应改变(即旋转等价性特征),并采用回归目标最小水平框中各顶点在相应边上的偏移量间接确定目标边界框。此外,还提出了一个全新的评价指标m RP(mean Rotation Precision)定量的描述了模型旋转等价性特征的学习能力。(2)提出了一种特征解耦的细粒度目标检测模型DF-Det。针对分类特征与回归特征各自任务的关注点,采用不同的特征映射方式对目标特征进行池化,并分别输入至两个独立的子网络中进行分类、定位。通过两个独立子网络降低模型在分类局部特征、定位全局特征中的干扰,提升水平框细粒度检测的精度。(3)提出了一种基于自注意力机制的显著性特征选取细粒度检测模型SF-Det。在对目标候选区域特征解耦的基础上,通过添加目标分类头进一步利用注意力矩阵权重大小,自适应的获取目标全局信息以及显著性局部特征,使模型将目标分类重点放在不同子类别之间的细微差异上。并设计对比损失函数对分类特征进行约束,达到拉近相同类别特征之间距离,推远不同类别特征距离的效果。综上所述,本文利用自注意力机制全局感受野、显著性特征选取的能力,改善了传统目标检测模型在细粒度分类方面的不足;并通过在遥感影像细粒度目标检测数据集DOTA、FAIR1M中实验,验证了所提出方法的有效性。图46幅,表22个,参考文献148篇

关键词：遥感影像细粒度检测深度学习自注意力机制特征解耦旋转等价性特征旋转框目标检测

来源：评论

学校读者我要写书评

暂无评论

规模化养殖的群猪图像分割与行为识别研究

规模化养殖的群猪图像分割与行为识别研究

引用

作者：徐昕南京理工大学

学位级别：硕士

近年来,活猪的数量整体持续增长,即使受“新冠”疫情的影响,全球的生猪产量也达几十亿头,而传统依赖人工进行生猪监测的方式存在费时费力、不稳定的主观因素和低时效性等问题。因此,本文将生猪养殖与现代监测手段相结合,针对大规模群猪... 详细信息

近年来,活猪的数量整体持续增长,即使受“新冠”疫情的影响,全球的生猪产量也达几十亿头,而传统依赖人工进行生猪监测的方式存在费时费力、不稳定的主观因素和低时效性等问题。因此,本文将生猪养殖与现代监测手段相结合,针对大规模群猪养殖的个体分割和行为识别进行研究,旨在减轻养殖户的负担,改善动物福祉,为个体动物的持续自动监测提供解决方案。针对群猪图像分割算法的研究,鉴于传统的图像分割算法易受光线、噪声、环境等影响,同时目前群猪分割算法对于生猪数量、猪只大小、生猪养殖背景和光线环境等方面具有一定的局限性。因此,本文采用Faster R-CNN模型实现图像分割,从而获取生猪目标;为了进一步获取生猪位置和面积信息,实现群猪图像的实例分割,采用改进的Mask R-CNN算法。实验结果表明这两种分割算法都能够实现群猪图像分割和生猪个体的获取,模型泛化能力强,能够适用于实际的生猪养殖环境,可见本文群猪分割算法的有效性。尤其是改进的Mask R-CNN网络模型可以实现群猪的实例分割,且对生猪轮廓边缘细节有很好地描述。针对群猪行为识别算法的研究,为了平衡群猪行为检测速度和检测精度的需求,采用目前最新版本的YOLO检测算法——YOLOv5进行群猪的行为识别,最终实现生猪三种日常行为(站立、趴卧和侧卧)的识别。为了解决YOLOv5算法中水平矩形框对于生猪目标冗余信息的训练学习以及生猪聚集时边框重叠的问题,本文提出了YOLOv5＿rotate群猪行为识别算法,该算法利用旋转矩形框来最大限度的提取有效的生猪特征和避免漏检的几率。最后,利用Precision、Recall、m AP@0.5和P-R曲线对两种行为识别模型进行了分析对比,证明此算法能在行为识别的基础上更加精准地框住生猪目标。为了方便后续应用,使用户能够直观的观测到群猪分割和行为识别的结果,促进生猪养殖的智能化发展,本文搭建了基于Web平台的群猪分析系统。该系统采用SpringBoot+Vue框架,实现了群猪分析、历史数据查询等功能,完成了群猪可视化的监测分析,可以应用于今后大规模养殖的智能化场景中。

关键词：群猪图像分割深度学习群猪行为识别单阶段检测器旋转框目标检测

来源：评论

学校读者我要写书评

暂无评论

面向光学遥感图像目标的检测与识别算法的研究与实现

面向光学遥感图像目标的检测与识别算法的研究与实现

引用

作者：俞泉泉电子科技大学

学位级别：硕士

随着航天技术的迅速发展,卫星光学遥感技术取得巨大进步,不仅在图像分辨率上有了较大的提高,而且具备了全天时侦测、实时传输数据的能力,使得光学遥感图像的数据量与单幅图像包含的信息量急速增长。海量的光学遥感图像中存在的丰富信息... 详细信息

随着航天技术的迅速发展,卫星光学遥感技术取得巨大进步,不仅在图像分辨率上有了较大的提高,而且具备了全天时侦测、实时传输数据的能力,使得光学遥感图像的数据量与单幅图像包含的信息量急速增长。海量的光学遥感图像中存在的丰富信息蕴含了巨大的价值,在社会上的各个领域都有广泛的应用。如何高效准确地提取其中有价值的信息成为现今计算机视觉领域的研究热点。光学遥感图像所包含的目标信息是光学遥感图像价值中非常重要的一部分。本文主要着眼面向光学遥感图像的目标检测与识别技术开展研究工作,论文所做主要工作如下:(1)搜集整理相关数据集。以Dota数据集为基础,对原图进行切割生成1万多张同等大小的图片,同时编写脚本对原8维参数标注数据进行转换分别制作了光学遥感图像目水平框与旋转框目标检测数据集。(2)通过实验对比寻找面向光学遥感图像水平框目标检测的基准算法,并对算法进行改进。基于现有优秀的单阶段目标检测模型YOLOv4、SSD与Retina Net等,利用制作好的数据集训练了面向光学遥感图像水平框目标检测模型,并对模型进行测试。通过实验对比发现YOLOv4检测效果最好,m AP达到75.15%,远高于后两者。根据光学遥感图像水平框目标检测的缺陷对YOLOv4模型进行改进,提出分类别设置NMS阈值的方法,使模型m AP提升了2.53%;对YOLOv4模型锚框分配的合理性进行研究并尝试2个改进设计,其中分尺度聚类锚框的方法对部分目标类别的检测性能有所提升。(3)设计了基于YOLOv4模型的旋转框目标检测算法并编码实现。为了得到对目标贴合度更高的边界框并解决水平框目标检测边界框重叠的问题,引出更加精确的旋转边界框,并对旋转框长边表示法进行改进。基于YOLOv4模型设计并实现了3种旋转框目标检测模型:RYOLOv4直接回归角度、RYOLOv4角度切分、RYOLOv4多角度锚框模型。测试结果表明RYOLOv4多角度锚框模型检测效果最好,m AP为65.3%。(4)开发了光学遥感目标检测系统。本系统可对图片、摄像头、视频等数据进行处理,设计了图像切割检测功能,使系统可以处理遥感图像这类大尺寸的图像数据。

关键词：光学遥感图像目标检测旋转框目标检测 YOLO 深度学习

来源：评论

学校读者我要写书评

暂无评论

主动迁移学习的海上任意方向船只目标检测

引用

计算机与现代化 2021年第9期 21-30页

作者：苏浩丁胜章超华武汉科技大学计算机科学与技术学院湖北武汉430065 智能信息处理与实时工业系统湖北省重点实验室(武汉科技大学) 湖北武汉430065 福建省大数据管理新技术与知识工程重点实验室(泉州师范大学) 福建泉州362000

在基于深度学习的遥感图像目标检测任务中,船只目标通常呈现出任意方向排列的特性,而常见的水平框目标检测算法一般不能满足此类场景的应用需求。因此本文在单阶段Anchor-Free目标检测器CenterNet的基础上加入旋转角度预测分支,使其能... 详细信息

在基于深度学习的遥感图像目标检测任务中,船只目标通常呈现出任意方向排列的特性,而常见的水平框目标检测算法一般不能满足此类场景的应用需求。因此本文在单阶段Anchor-Free目标检测器CenterNet的基础上加入旋转角度预测分支,使其能输出旋转边界框,以用于海上船只目标的检测。同时针对海上船只遥感数据集仅有水平边界框标注,无法直接适用于旋转框目标检测,且人工手动标注旋转框标签成本较高的问题,提出一种主动迁移学习的旋转框标签生成方法。首先,提出一种水平框-旋转框约束筛选算法,通过水平真值边界框来对旋转预测框进行监督约束,筛选出检测精度较高的图像加入训练集,然后通过迭代这一过程筛选出更多的图像,最后通过标签类别匹配,完成对数据集的旋转框自动化标注工作。本文最终对海上船只遥感图像数据集BDCI中约65.59%的图片进行旋转框标注,并手动标注部分未标注的图片作为测试集,将本文方法标注的图片作为训练集进行验证,评估指标AP50达到90.41%,高于其他旋转框检测器,从而表明本文方法的有效性。

关键词：遥感图像旋转框目标检测迁移学习 Anchor-Free CenterNet

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：