基于可变形卷积神经网络的遥感影像密集区域车辆检测方法

车辆检测是遥感图像分析领域的热点研究内容之一,车辆目标的智能提取和识别,对于交通管理、城市建设有重要意义。在遥感领域中,现有基于卷积神经网络的车辆检测方法存在实现过程复杂并且对于车辆密集区域检测效果不理想的缺陷。针对上述问题,该文提出基于端到端的神经网络模型DF-RCNN以提高车辆密集区域的检测精度。首先,在特征提取阶段,DF-RCNN模型将深浅层特征图的分辨率统一并融合;其次,DF-RCNN模型结合可变形卷积和可变形感兴趣区池化模块,通过加入少量的参数和计算量以学习目标的几何形变。实验结果表明,该文提出的模型针对密集区域的车辆目标具有较好的检测性能。     

基于私有云的大规模交通视频处理框架设计

为了满足智能交通大数据的处理需求,结合云计算技术,设计了基于云计算的大规模交通视频数据管理与高性能计算框架,提出了基于私有云的并行计算模型,通过仿真模拟实验验证了计算模型的有效性,研究成果能够为交通视频数据的智能应用系统提供技术支撑。