导读:本文包含了光学图像检测论文开题报告文献综述及选题提纲参考文献，主要关键词:衍射光学可变图像,表面缺陷检测,系统设计,预处理
光学图像检测论文文献综述
于浩,张志利[1]（2019）在《衍射光学可变图像表面缺陷检测系统设计》一文中研究指出针对当前人工检测衍射光学可变图像表面缺陷时,受主观因素、天气、光照等影响较大,存在检测率较低、误检率、漏检率不高,检测耗时较长的问题,提出并设计了衍射光学可变图像表面缺陷检测系统。利于具备线阵CCD摄像头的照明装置检测图像表面缺陷,以来采集目标表面缺陷图像数据,将采集的图像数据经系统服务器传送给图像处理模块;系统图像处理模块先后对目标产品衍射光学可变图像作预处理、图像表面缺陷初步检测、图像表面缺陷精确定位,以及图像表面缺陷分类,最终完成衍射光学可变图像检测系统总体架构。系统性能测试结果表明,设计系统能够实现衍射光学可变图像表面缺陷的高效、准确检测。(本文来源于《激光杂志》期刊2019年10期）
王伦文,冯彦卿,张孟伯[2]（2019）在《光学遥感图像目标检测方法》一文中研究指出更快速区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)是两阶段的目标检测模型,通过区域生成网络将区域提议与识别完全融合到网络模型中,使主要的运算可以在图形处理器中完成,因此,其同时具有良好的检测速度与精度。但是当Faster RCNN直接应用于遥感图像目标检测,面对宽尺寸范围的多种目标时,性能受到了很大削弱。分析了池化操作和目标尺寸对区域提议的影响,提出联合多层次特征进行区域提议的方法,提升了目标区域的提议召回率。针对性地优化前景样本的生成策略,避免训练过程中的产生无效前景样本,使得整个检测模型的训练更加高效。实验结果表明,所提出的模型和训练方法能够提高多尺度遥感图像目标的召回率与检测精度,且具备较高的训练效率。(本文来源于《系统工程与电子技术》期刊2019年10期）
李晓斌,江碧涛,杨渊博,傅雨泽,岳文振[3]（2019）在《光学遥感图像目标检测技术综述》一文中研究指出目标检测是光学遥感图像分析的重要内容,是将图像数据转化为应用成果的关键一环。文章重点针对光学遥感图像中常见的飞机、舰船等目标,对目标检测技术进行了系统总结,并对未来重点发展方向进行了展望。重点论述的内容包括目标检测方法、目标检测性能评价准则和数据集,其中对于目标检测方法,从候选区域选择、特征学习、分类和后处理等四个方面进行了详细介绍。期望这些技术成果的总结分析和展望对目标检测技术的应用提供一定的借鉴和参考。(本文来源于《航天返回与遥感》期刊2019年04期）
董珊,杨占昕,龙腾,庄胤,陈禾[4]（2019）在《基于结构化稀疏表达的高分辨率光学遥感图像的船只检测》一文中研究指出为克服近岸船只检测中复杂港内背景干扰和基于深度学习算法的大视场光学遥感图像标注工作量大的困难,本文提出了基于小样本集的结构化稀疏表达方法来实现近岸船只检测的算法。构建由近岸船只目标,背景干扰信息和误差矩阵等叁部分子字典组成的结构化稀疏表达字典,经小样本集的字典训练过程生成判别性稀疏编码。首先将多方向近岸船只目标样本与港内复杂背景信息样本经过HOG特征提取和PCA分析对原子进行初始化,然后使用K-SVD和LASSO算法对字典进行训练。在字典中引入误差矩阵对样本的类内差异进行表示,增强了稀疏编码的判别能力和系统鲁棒性。最后提出船只目标区域提取的置信度计算方法,对生成的结构化稀疏编码进行判别,提取船只目标区域,实现船只检测。通过对不同尺寸字典模型、引入误差矩阵前后的结构化稀疏表达模型进行实验,实验结果表明提出的引入误差矩阵的结构化稀疏表达方法的有效性,以及在小样本集下比现有技术方法具有更好的检测性能。(本文来源于《信号处理》期刊2019年06期）
吴迪[5]（2019）在《光学遥感图像典型目标检测方法研究》一文中研究指出随着遥感卫星传感器技术的发展,获得卫星、航空及无人机平台的高分辨率、多源数据已不再是难题。在如此多数据信息的不断驱动下,过去由于数据限制无法完成的检测任务在现阶段逐渐可以实现,促进了人们在目标检测领域对技术不断的研究与探索,以便满足日益增长的广泛需求。尤其是面向与人类息息相关的城市区域或者与国防领域相关的军事热点区域,针对车辆、飞机等目标的精准检测,无论是服务于民用的城市道路规划、交通管理,还是军用战术目标定位、打击提供情报支撑,都是具有重要的理论研究意义和实用价值。目标检测流程通常包含叁个阶段:图像分割、目标特征提取及目标检测阶段。对于图像中目标区域的分割,传统基于像素和区域的图像分割方法,主要利用分析纹理信息的类间差异来获取分割结果,适合大区域的遥感分割,缺乏针对目标对象的考虑。因此,人们提出了面向目标对象的超像素图像分割算法,通过构建多种约束条件并以超像素块替代像素为处理单元,大幅提高了图像分割精度和处理效率,但是依然存在超像素分割边界像素与真实物体边界像素契合度低、分割割裂等问题,引起后续目标块提取及特征表达不准确等问题。此外,图像分割方法通常针对无噪声理想图像,而在实际的数据处理过程中,噪声对图像的影响是不容忽视的问题。对于目标特征提取阶段,传统模型特征信息表达能力有限,已经无法满足日益复杂城市背景的目标检测要求。近年,深度学习技术表现出了强大的特征学习能力并获得了广泛应用,但是对于训练样本数量、网络结构设计、参数设置等不具有普适性。此外,目前基于深度学习的目标检测方法大多数采用已建立完备的训练数据库,然而针对具体任务并不适用,因此需要针对具体检测任务选择和构建训练样本集,但是传统的人工或者随机样本选择方法都存在一些缺陷,影响最优训练样本的选择,进而制约目标的特征表达影响检测精度。对于目标检测阶段,大多数方法采用不同分类器对目标和背景进行分类,实现最终检测结果的输出,但依旧局限于使用单一数据源信息或者单一特征,如何利用现今如此丰富的不同平台、不同传感器的数据,充分挖掘和发挥单源数据或者多源数据的信息协同性、互补性,提高目标检测精度还有很大提升空间。因此本文通过分析目标检测不同阶段所面临的问题,提供新思路、新技术实现精准的目标检测具有重要的研究意义。首先,为了提取图像中完整目标结构,针对图像中目标区域的分割,提出了基于多重局部信息约束的图像超像素分割方法,通过在颜色、空间约束基础上引入对分割边界像素的多重局部信息约束,提高了超像素分割边界像素与真实物体边界像素的契合度,降低了分割割裂现象,从而保证后续提取目标块的准确性。针对图像分割过程中噪声对分割结果的不利影响,提出了基于3D稀疏编码的图像降噪算法,以提取包含空谱特征的叁维图像块作为输入,采用K-SVD算法对稀疏字典和稀疏系数进行迭代更新,最后利用稀疏恢复模型输出高质量的恢复图像。实验验证共包含提出的超像素分割方法与其它两种先进的超像素分割算法比较,提出的图像降噪算法与传统基于稀疏表示的降噪算法比较,两组实验结果都证明了本文提出的两个算法无论在视觉感官还是量化评价指标都获的了最好的表现,为后续的特征提取和检测提供了重要基础保障。其次,在上述超像素分割结果基础上,可以提取和获得以超像素中心为原点的目标块(目标块泛指包含目标或者背景的图像块)。针对目标块特征提取阶段,传统特征表达能力弱、训练样本选择方法不足所导致检测结果精度差的问题,提出了基于CNN特征提取的目标检测方法,首先利用卷积神经网络强大的特征学习及表达能力,获取目标样本的深度语义信息,然后采用训练样本自动迭代选择方法,使训练样本集类内样本具有高差异性类间样本具有高相似性,从而建立最优的训练样本集并获取高判别性的样本特征。同时,为了解决由于目标方向不同导致目标块裁剪后目标结构不完整以及目标特征表达不一致,采用目标块主方向自动旋转算法,对目标方向进行统一化。实验验证包括训练样本集选择方法的对比,本文方法与多种基于传统特征和最优CNN特征提取方法的检测结果对比,实验结果证明了提出的基于CNN特征提取的目标检测算法表现出了很好的优越性。最后,通过上述基于CNN特征的目标检测方法可以获得显着的检测精度提升,但是在已获得的检测结果中存在高召回率时检测精度低的问题,因此针对单源数据在检测结果中受到单一空间特征的限制,提出了基于背景信息约束的目标检测结果优化方法。首先,为了充分挖掘和利用图像的光谱特征,提出了基于局部张量判别分析的图像分类算法,通过谱空特征协同结合张量判别特征提取实现图像地物精确分类,然后采用基于环境要素约束方法,将图像地物分类结果与已有的检测结果相融合,去除已有检测结果中的虚假目标,提高在高召回率时的检测精度。此外,在针对小目标、训练样本数量少的多源图像目标检测情况,提出了面向多源数据的空间-光谱特征协同的目标检测方法,通过超像素分割算法在图像分割的优势和多源数据丰富的空谱特征,提取多源目标块的空间和局部池化光谱特征,显着改善了使用单一数据源的检测精度。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
聂婷[6]（2019）在《大幅宽光学遥感图像目标检测技术研究》一文中研究指出随着航天遥感对地观测技术的迅猛发展,光学成像卫星不断涌现,使得遥感图像具有分辨率高、覆盖面宽、细节丰富等优点,遥感图像处理技术也广泛应用于军事国防和民用经济建设领域。而舰船作为海上实时监测和战时攻击的重要目标,其精确、快速的检测可对敌方态势的分析、精确制导、军事测绘起着至关重要的作用。与此同时,对海上救援、渔船的安全管理等起着无可代替的作用。然而,受到拍摄天气、时间、海面杂波、云雾遮挡、光照不均匀等复杂干扰使得其自动检测容易产生漏检和虚警、检测性能大幅下降。从庞大的数据中,如何及时、可靠和准确地检测与提取到海面舰船目标,成为遥感图像舰船检测至关重要而又亟待解决的难题。为了提高遥感图像舰船自动检测处理的速度和准确性,缓解在轨传输与存储数据压力,保障遥感信息的时效性,本文围绕大幅面可见光遥感图像舰船目标自动检测问题展开了深入的研究。论文分析了遥感图像的成像特点,设计了相应的海域舰船检测与靠岸舰船检测两类不同算法,并详细阐述了算法中涉及到的各项关键技术,包括图像去雾与海陆分离方法,感兴趣区域提取与定位、目标特征提取与虚警剔除、靠岸舰船船头匹配等,改善了在复杂背景下大幅面遥感图像中舰船检测算法运算速度慢、检测率低的问题。本文主要研究内容归纳如下:在图像预处理阶段,光学遥感图像在成像的过程中容易受到拍摄天气、拍摄角度的影响,导致图像中的薄雾对舰船检测产生干扰,甚至带来信息缺失。对此,本文在大气散射模型的基础上,分析了原始引导滤波进行透射率精确估计存在的问题,提出了基于融合梯度因子的去雾算法,在更有效地保持边缘情况下,又避免了过度平滑或平滑力度不足,取得了良好的去雾效果。在此基础上,针对于图像序列中相机或者目标的运动带来的帧间传输图和大气光值不完全相同,导致去雾后存在帧间跳动和闪烁的现象,在单帧去雾的基础上,本文引入了互相关因子,提出了保持帧间连续的图像序列去雾算法,减少了去雾后帧间跳动和闪烁。在海陆分离阶段,本文针对传统方法采用全色图像的灰度统计进行海陆分离存在误差大和普适性不强的问题,经过分析海洋和陆地上不同地物光谱反射率特点,采用归一化水体指数与形态学滤波相结合的方法,将海域和陆地分离开来,同时去除大部分厚云干扰,为后续舰船检测减少了虚警的干扰。在感兴趣区域提取阶段,为了避免在宽幅图像上进行全局的盲目搜索,本文提出了扩展小波变换,在复杂背景下增强了目标与背景的对比度。经过该变换后采用局部极大值搜索来快速定位可疑目标位置;接着,在分析了视觉显着性模型原理的基础上,针对于可见光遥感图像的特征提出了改进的频域超复数的显着区域提取算法,在上一步定位到的可疑点局部范围内进行显着性区域提取,最后得到感兴趣目标区域。实验表明,该方法更加有效抑制海面云块、杂波、阴影等干扰,提高了复杂背景下目标的检测率和运算速度。在特征描述与虚警剔除阶段,由于显着性提取之后,仍然会保留一些非目标的干扰,对此本文设计了包含形状、纹理、尺寸和不变矩共计10维的目标特征描述算子。对大量的样本图像提取特征,并进行基于SVM的线下训练,得到较为稳定的模型用于区别舰船和虚警。实验表明,10维的特征描述算子具有较强的表征目标的能力,能够有效地剔除海岸线、海岛、云块等,有效的降低了虚警率。经过上述步骤完成了海域舰船检测的整体流程,论文接下来对靠岸舰船提出了一种可靠的高效的检测方法。针对于靠岸舰船受到周围岸边干扰难以检测的问题,本文提出了一种船身与船头特征相结合的靠岸舰船检测方法。首先对于感兴趣的军事港口,制定模板图像,然后利用对数极坐标下边缘互相关算法进行实拍图像的快速港口定位,将事先存储的港口轮廓线映射到实拍图像上;接着利用改进的形状上下文方法进行船头的“V”字型特征匹配,该方法充分考虑到由于拍摄角度、时间等不同,带来的旋转、缩放等问题,提高了匹配的精度,能准确地确认潜在的可疑船头位置。然后,利用直线检测确定船身的方向,最后结合简单的几何特征进行舰船的确认。实验表明,从综合性能上来讲,本文方法可以较好地实现了靠岸舰船定位和检测。在算法的硬件实现方面,本文搭建FPGA+DSP平台,并对海域舰船检测算法进行优化和嵌入式系统移植。在保证系统通用性及可扩展性的同时,提高算法的处理效率,减小了星上遥感数据的传输压力,为在轨目标检测奠定了基础。(本文来源于《中国科学院大学(中国科学院长春光学精密机械与物理研究所)》期刊2019-06-01）
俞利健[7]（2019）在《基于深度迁移学习的光学图像输电塔检测识别算法研究》一文中研究指出高压输电塔是电力输送系统中最重要的基础设施之一,其运行状态决定着整个电网的运行稳定和安全,对其进行检测识别是高压输电塔运行状态监测的基础,也是高压输电线路监测的重要部分。另一方面,随着光学遥感技术的迅猛发展,卫星图像的分辨率和质量越来越高,利用光学遥感图像进行电网输电线路运行状态的广域监测已成为遥感应用研究的发展方向。传统检测识别方法的人工设计特征过程复杂,尽管可以通过卷积网络并利用深度学习的方法构建端到端检测识别模型,但在实际应用中通常难以满足深度学习对数量和标注质量的要求。本文即是针对该问题,开展目标域小样本数据库及网络框架设计、基于深度迁移学习的高压输电塔检测识别方法研究,并开展实验验证及分析。主要研究工作如下:(1)目标域数据库及网络框架设计。针对实际应用中难以满足深度学习对大量且高质量标注样本需求的问题,通过对筛选真实数据集的旋转和翻转、亮度和饱和度变化、扭曲变形、缩放等操作,实现目标域小样本数据增强,降低模型对数据完整覆盖性的要求,为后续检测识别模型迁移提供必要的数据支持。另一方面,结合卷积神经网络基本理论、经典卷积网络的研究与分析,选取Inception特征提取模块和RPN区域推荐模块构建多尺度融合特征的目标检测识别神经网络,实现面向目标域小样本的遥感图像高压输电塔端对端检测识别深度卷积神经网络框架设计,为后续基于深度迁移学习的高压输电塔检测识别网络卷积层参数设计提供基础支持。(2)基于深度迁移学习的高压输电塔检测识别方法研究。为实现端到端检测识别以及进一步降低模型对数据样本的需求,在模型参数层面开展基于多任务学习和微调的深度迁移学习方法研究,并给出迁移学习的方法流程。在网络框架设计的基础上对深度网络的功能模块进行设计,给出网络的各层参数设计,并确定损失函数,在对经典网络经验总结基础上进行超参数设定。综合考虑导数计算的高效性、模型参数的收敛性、网络更新的稳定性等因素,选择SGD(批量梯度下降)与Momentum(动量)方法组合进行参数更新。为满足目标域数据和源域数据在模型底层特征相似的要求,选择遥感算法大型开发和测试数据DOTA数据集作为微调源域数据,并完成网络训练,实现基于目标域小样本的高压输电塔端到端检测识别。(3)高压输电塔检测识别算法实验验证。在对基于深度迁移学习的高压输电塔检测识别方法实现的基础上,对现有真实遥感数据进行增强获取测试数据集,利用混淆矩阵,统计分析电塔倒塌、截断、正常等目标不同状态、不同背景类型、不同光照、目标不同大小以及是否迁移等情况下的检测识别准确率、精确率、查全率等性能指标。实验结果表明:尽管在目标域小样本条件下,本论文提出的高压输电塔检测识别算法仍具有较高的检测识别概率,可为实际高压输电线路运行状态监测与告警提供科学依据与技术支持。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
唐玮,赵保军,龙腾[8]（2019）在《基于轻量化网络的光学遥感图像飞机目标检测》一文中研究指出光学遥感图像飞机检测是遥感分析的重要研究方向。现有检测方法难以达到满意的效果,传统检测方法由于手工特征建模困难,易受背景干扰,导致其鲁棒性普遍偏低;而以复杂度提升为代价来提高检测性能的深度学习目标检测方法无法在资源受限下的星载平台得到广泛应用。针对上述问题,本论文提出一种具有轻量化多尺度特点的深度学习飞机目标检测方法。在多尺度目标检测框架(SSD)基础上,利用密集连接结构和双卷积通道构成具有特征重复利用、计算效率高等特点的基础骨干网络,之后连接一个由残差模块和反卷积构成的多尺度特征融合检测模块,以提高飞机小目标的检测性能。实验结果表明,在多种复杂机场场景中,本文的方法与当前经典的深度学习目标方法相比,在保持较高目标检测精度的同时,又能具有较低的计算复杂度。(本文来源于《信号处理》期刊2019年05期）
陈丽琼,石文轩,范赐恩,邓德祥[9]（2019）在《基于多分类学习的光学遥感图像舰船检测》一文中研究指出针对光学遥感图像中舰船检测易受云层、波浪等因素干扰导致检测精度低的问题,提出了一种基于多分类学习的检测算法.首先利用多光谱图像提取舰船候选区并在对应的全色图像上截取切片,然后采用卷积神经网络自动提取特征并进行分类,最后利用旋转卡壳法求取目标的最小外接矩形进行精确定位.利用自建的数据集进行模型的训练、验证和测试,数据集包含2.375 6×10~4张图像,由于舰船目标类内差异大,将数据集精细地分为10种类别.目标类分为大船、中船、小船、多条船和尾迹5类,非目标类也分为波浪、黑色区域、陆地、海上密集带状物和云5类.实验结果表明:结合了多光谱信息的多分类学习可以有效提高检测率并降低虚警率,该方法在复杂海面背景下能精确地检测舰船目标,检测精度达到95.02%,虚警率低至5.24%;基本可以排除多种因素的干扰,鲁棒性较强.(本文来源于《华中科技大学学报(自然科学版)》期刊2019年05期）
郭欣[10]（2019）在《光学与SAR图像像素级融合的水体变化检测》一文中研究指出地表信息变化检测与我们的生产建设密切相关。人类社会的生产建设、自然界环境的正常演替、洪涝地震等灾害的爆发等,都会引起地表信息的变化,反之,检测这些变化,又可以为我们进行生产建设和应对突发灾害提供重要的理论和决策支持。遥感技术,可以便捷地实现大面积地表观测,为地表变化检测提供了极大的便利。目前,卫星科技飞速发展,传感器种类和数量不断增加,既提升了图像的获取质量,也造成了遥感图像多类型和多分辨率并存的局面。光学传感器和合成孔径雷达图像,作为其中最重要的两种传感器数据,有着各自地优劣,虽然在变化检测中都有着出色的表现,却较少能够协同合作,并未实现对现有地表信息的充分利用。针对以上问题,本文首先对Sentinel-1A SAR和Sentinel-2A MSI影像进行像素级融合,再利用Unet深度学习网络进行地表信息变化检测,并与非融图像的阈值检测方法进行比较,确定图像融合和Unet的检测贡献率,分析融合处理与最终检测精度之间的关系。主要研究内容如下:(1)图像像素级融合。图像的像素级融合方法众多,为了能够尽可能兼顾到各种方法种类,本文从基于成分替代、基于多尺度变换和基于模型叁个方面,选择具有代表性的方法,分别执行融合处理,然后选择均方根误差和互信息量两个评价指标,分别从图像光谱保真和信息丰富程度两方面,对所用融合方法进行精度评价。(2)利用Unet网络进行水体变化检测。Unet在图像信息提取方面的作用,已经多次得到了证明。本文使用labelme工具,分别对Sentinel-1A SAR、Sentinel-2A MSI影像及其融合影像进行标注,进行样本制作,执行训练和检测处理,获得水体变化检测结果,并通过统计方法获得检测准确率,进行检测精度评价。(3)融合和Unet在检测中的作用分析。为了确定融合处理和Unet网络对地表变化检测实践的具体意义,本文通过与非融合图像阈值检测成果进行比较,获得融合贡献率和Unet贡献率,定量化地表示其在变化检测的作用。此外,通过绘制融合精度-检测精度变化曲线,大致确定融合精度和最终检测精度之间的整体关系,最终发现融合精度和变化检测精度之间存在着一定的正相关关系。(4)宁乡市水体变化检测。根据融合和Unet在检测中的作用分析结果,选择最优图像融合方法,和Unet相结合,对2017年6月的水体变化情况进行检测。该论文有图31幅,表13个,参考文献106篇。(本文来源于《中国矿业大学》期刊2019-05-01）
光学图像检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
更快速区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)是两阶段的目标检测模型,通过区域生成网络将区域提议与识别完全融合到网络模型中,使主要的运算可以在图形处理器中完成,因此,其同时具有良好的检测速度与精度。但是当Faster RCNN直接应用于遥感图像目标检测,面对宽尺寸范围的多种目标时,性能受到了很大削弱。分析了池化操作和目标尺寸对区域提议的影响,提出联合多层次特征进行区域提议的方法,提升了目标区域的提议召回率。针对性地优化前景样本的生成策略,避免训练过程中的产生无效前景样本,使得整个检测模型的训练更加高效。实验结果表明,所提出的模型和训练方法能够提高多尺度遥感图像目标的召回率与检测精度,且具备较高的训练效率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
光学图像检测论文参考文献
[1].于浩,张志利.衍射光学可变图像表面缺陷检测系统设计[J].激光杂志.2019
[2].王伦文,冯彦卿,张孟伯.光学遥感图像目标检测方法[J].系统工程与电子技术.2019
[3].李晓斌,江碧涛,杨渊博,傅雨泽,岳文振.光学遥感图像目标检测技术综述[J].航天返回与遥感.2019
[4].董珊,杨占昕,龙腾,庄胤,陈禾.基于结构化稀疏表达的高分辨率光学遥感图像的船只检测[J].信号处理.2019
[5].吴迪.光学遥感图像典型目标检测方法研究[D].哈尔滨工业大学.2019
[6].聂婷.大幅宽光学遥感图像目标检测技术研究[D].中国科学院大学(中国科学院长春光学精密机械与物理研究所).2019
[7].俞利健.基于深度迁移学习的光学图像输电塔检测识别算法研究[D].哈尔滨工业大学.2019
[8].唐玮,赵保军,龙腾.基于轻量化网络的光学遥感图像飞机目标检测[J].信号处理.2019
[9].陈丽琼,石文轩,范赐恩,邓德祥.基于多分类学习的光学遥感图像舰船检测[J].华中科技大学学报(自然科学版).2019
[10].郭欣.光学与SAR图像像素级融合的水体变化检测[D].中国矿业大学.2019