本文主要研究内容
作者吴止锾,李磊,高永明（2019）在《遥感图像舰船检测的旋转卷积集成YOLOv3模型》一文中研究指出：遥感图像俯视角带来的目标朝向多样性影响了大长宽比舰船目标检测的旋转不变性。针对这一问题,提出了一个基于改进YOLOv3的倾斜边界框检测模型。通过引入角度预测实现倾斜边界框回归;提出一种旋转卷积集成模块,通过旋转卷积和旋转激活提高深度卷积网络(Deep Convolutional Neural Networks,DCNN)特征图对于角度变化的敏感性;将目标边界框倾斜角度预测建模为由粗粒度到细粒度的两次角度分类问题;将角度惩罚引入模型的多任务损失函数中,使得模型能够学习目标的角度偏移。通过对舰船目标标注数据集上的实验可以看到,所提的模型和经典YOLOv3模型相比平均精度提高了12.7%,同时能够保持单阶段目标检测的速度优势。
Abstract
yao gan tu xiang fu shi jiao dai lai de mu biao chao xiang duo yang xing ying xiang le da chang kuan bi jian chuan mu biao jian ce de xuan zhuai bu bian xing 。zhen dui zhe yi wen ti ,di chu le yi ge ji yu gai jin YOLOv3de qing xie bian jie kuang jian ce mo xing 。tong guo yin ru jiao du yu ce shi xian qing xie bian jie kuang hui gui ;di chu yi chong xuan zhuai juan ji ji cheng mo kuai ,tong guo xuan zhuai juan ji he xuan zhuai ji huo di gao shen du juan ji wang lao (Deep Convolutional Neural Networks,DCNN)te zheng tu dui yu jiao du bian hua de min gan xing ;jiang mu biao bian jie kuang qing xie jiao du yu ce jian mo wei you cu li du dao xi li du de liang ci jiao du fen lei wen ti ;jiang jiao du cheng fa yin ru mo xing de duo ren wu sun shi han shu zhong ,shi de mo xing neng gou xue xi mu biao de jiao du pian yi 。tong guo dui jian chuan mu biao biao zhu shu ju ji shang de shi yan ke yi kan dao ,suo di de mo xing he jing dian YOLOv3mo xing xiang bi ping jun jing du di gao le 12.7%,tong shi neng gou bao chi chan jie duan mu biao jian ce de su du you shi 。
论文参考文献
论文详细介绍
论文作者分别是来自计算机工程与应用的吴止锾,李磊,高永明，发表于刊物计算机工程与应用2019年22期论文，是一篇关于遥感图像论文,目标检测论文,舰船检测论文,旋转卷积论文,深度学习论文,计算机工程与应用2019年22期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自计算机工程与应用2019年22期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：遥感图像论文; 目标检测论文; 舰船检测论文; 旋转卷积论文; 深度学习论文; 计算机工程与应用2019年22期论文;