排序方式: 共有14条查询结果,搜索用时 15 毫秒
1.
2.
3.
4.
5.
目标检测是遥感影像处理中一项基础性和常规性的工作。本文基于YOLOX(you only look once X)网络进行改进,设计了一种针对遥感影像目标的检测算法。首先在特征提取模块PANet(path aggregation network)中加入自适应空间特征融合(adaptively spatial feature fusion, ASFF)网络,针对目标检测中尺度不一致的细部特征进行深入挖掘。其次,设计了基于ECA(efficient channel attention)的特征提取模块,高效通道交互在更加关注特征图中正样本特征信息的同时降低了模型的复杂性。再次,为了避免过拟合造成梯度消失、激活效果弱的问题,提出使用swish激活函数。最后,在DOTA(dataset for object detection in aerial images)上进行实验,通过消融实验定性分析、通过对比实验定量验证了本文算法的最佳机制和有效性。结果表明:在添加ASFF和ECA机制并且优化swish激活函数的前提下,改进网络模型的全类平均正确率(mean average precision, mAP... 相似文献
6.
7.
随着人工智能的发展,基于深度学习的有监督密集匹配方法在虚拟、室内及驾驶等近景数据集上取得了不错的表现。针对航空影像密集匹配标签数据获取困难的问题,本文在无监督密集匹配框架下,借鉴多个有监督网络结构,分别在航空影像数据集和作为参照的近景数据集上测试了匹配精度,实现了网络结构模块与精度关系的定性分析,为进一步探索深度学习在测绘领域的实用化提供了重要的参考。试验在相同损失函数条件下,分别采用DispNetS、DispNetC、iResNet、GCNet、PSMNetB及PSMNetS网络结构进行测试。经分析,得出如下结论:①测试的网络结构中,PSMNetS在航空影像数据集和近景数据集上表现稳定,且精度最高,训练整体耗时少,具有实用化的潜力;②在监督方法中效果更好的网络结构在无监督方法中效果不一定更好,其精度不仅取决于网络自身的匹配能力,同时也依赖于网络与损失函数的兼容性;③孪生网络模块、相关信息融合模块、金字塔池化模块和堆叠沙漏模块与无监督损失函数兼容性良好,可提升网络精度,而iResNet的图像重构迭代精化模块与重构损失函数重复约束,会产生“负优化”的作用。 相似文献
8.
9.
10.
图像平滑与边缘检测的迭代算法 总被引:2,自引:0,他引:2
图像平滑和边缘检测是图像处理、计算机视觉等领域研究的经典问题。区别以往对这两个问题独立求解的做法,文中作者将图像平滑与边缘检测问题结合起来综合考虑。首先,提出了基于全局边缘特征的边缘检测算法并对自适应平滑算法进行了改进。然后,利用迭代处理的思想对图像进行平滑和边缘检测,得到了迭代的平滑与边缘检测算法。实验表明,该算法可以有效地解决平滑过程中的细节保持和边缘检测时剔除伪边缘这两个难题。 相似文献