【摘 要】
：
遥感图像存在背景复杂、目标小且密集排列等问题,基于深度学习的目标检测方法可以提高遥感图像的目标检测准确率,但是普遍存在模型参数量较多、检测速度一般的问题。YOLO系列作为经典目标检测方法之一,因其高效灵活的特性,被广泛使用于多个方面的目标检测中,但是由于模型尺寸,难以部署在计算力和内存有限的平台上。针对上述问题,本文提出了改进YOLOv4的遥感图像目标检测方法。首先针对遥感图像目标检测轻量快速的要
论文部分内容阅读
遥感图像存在背景复杂、目标小且密集排列等问题,基于深度学习的目标检测方法可以提高遥感图像的目标检测准确率,但是普遍存在模型参数量较多、检测速度一般的问题。YOLO系列作为经典目标检测方法之一,因其高效灵活的特性,被广泛使用于多个方面的目标检测中,但是由于模型尺寸,难以部署在计算力和内存有限的平台上。针对上述问题,本文提出了改进YOLOv4的遥感图像目标检测方法。首先针对遥感图像目标检测轻量快速的要求,采用轻量化网络Mobile Net V3代替YOLOv4的原特征提取网络,特征增强网络中引入深度可分离卷积,降低参数量,减少模型大小,提升检测速度;其次在预测层中串联自注意力机制,扩大卷积神经网络感受野,使用改进非极大值抑制算法进行后处理,保证检测精度的同时,进一步提高检测速度;最后,针对遥感图像背景复杂、小目标多且密集的特征,在图像预处理中通过Mosaic方法进行数据增强,丰富遥感图像数据集,预先使用K-means方法获得更匹配遥感目标的候选框参数。在预测层中使用CIo U损失函数进行坐标框定位。实验采用NWPU VHR-10和DOTA数据集共同组成的遥感图像数据集,将本文方法和Faster R-CNN、SSD、YOLOv3、YOLOv4、YOLOv5s在此数据集进行对比实验,客观的从参数量、模型大小、检测精度和速度等方面评价其性能,当遥感图像输入尺寸为608×608时,检测速度为54frame/s,是YOLOv4检测速度的1.6倍,检测精度达到85.60%。实验结果表明,本文方法在保持较高检测精度的同时,减少了参数量,提高了检测速度。该论文有图31幅,表11个,参考文献73篇。
其他文献
目前,各推荐系统普遍面临数据稀疏的问题,仅将用户与项目的联系简单地停留在信息表层,并未深度挖掘用户对不同项目的兴趣程度,推荐准确率较低,影响推荐效果。针对上述问题,本文提出了一种融合模糊聚类和改进相似度的协同过滤推荐算法,在推荐技术中应用聚类思想的同时构建一种新的相似度计算方法,以解决推荐技术中存在的问题。首先,从项目的角度出发,在数据处理的过程中,基于项目的协同过滤算法充分挖掘项目间的数据关系,
针对互补学习跟踪算法在出现遮挡或背景复杂等干扰时容易出现跟踪漂移的问题,提出了自适应时间正则化特征融合的跟踪算法。首先,在相关滤波器模型目标函数中加入时间正则项,并利用响应值变化情况控制时间惩罚强度实现自适应更新时间正则化参数,更加灵活的缓解相关滤波器模型退化,实现更优化的抑制算法学习异常。其次,使用巴氏系数实时计算每一帧前景颜色直方图与背景颜色直方图的相似度并利用对数损失函数求得最终融合因子,实
基于深度学习的目标检测方法,存在由现有目标检测框架引起的正负样本不平衡和训练数据引起的难易样本不平衡问题。现有方法一般采用基于类别频率的重采样或基于类别预测概率的重新加权,虽然减轻了类别的不平衡问题并能够有效提高目标检测的精度,但是引入了新的超参数,为每个训练任务进行大量的手动调整超参数需要高昂的实验成本。针对这一问题,在现有Focal Loss损失函数基础上提出了一种自适应聚焦损失（Adapti
随着互联网技术的快速发展,网约车已成为出行的重要方式。通过智能手段为用户推荐上车点不仅可有效实现分流、缓解道路拥堵,同时也可减少乘客与司机的沟通成本,提升司机的服务效率并降低乘客的等待时间,从而提高司乘双方的出行体验感。但现存推荐方法所依据的指标较为单一,未在乘客便利性与司机收益之间取得较好平衡,且无法保证所推荐上车点的安全性与可达性。通过对时空轨迹大数据的归纳与分析,提取保证可达性的潜在上车点,
皮带运输机作为煤炭、港口、建材和粮食等行业的重要运输工具,给人们的生产生活带来了很大的便利。针对皮带运输机工作过程中可能出现煤料掉落故障问题,进行了结合图像去模糊的故障检测算法的研究。首先为了充分利用视频帧图像中的冗余信息,恢复皮带机运行中造成的运动模糊,引入可变形卷积提高特征提取的灵活性,并且采用金字塔结构对齐相邻视频帧,通过在金字塔每层进行卷积和级联操作得到可变性卷积的偏移量;然后在对齐特征图
目前商业银行核心系统微服务架构普遍采用系统冗余部署方式,微服务访问存在瞬时高并发难以预测的问题。针对商业银行核心系统微服务预测的问题提出一种基于改进GRU组合神经网络预测模型。首先,在GRU神经网络构建过程中引入哈里斯鹰算法,采取对参数E的振幅逐步衰减调控机制和二分法局部增强策略,弥补了算法容易落入局部陷阱的缺陷,提高算法求解精度;其次,利用改进后的哈里斯鹰算法对GRU神经网络的参数进行迭代寻优;
结合生成模型的零样本算法通常仅使用属性注释,缺少类别语义,而单一信息对类别表征能力不够强,两模态特征之间存在语义间隔,容易产生域偏移,影响知识迁移的效果,进而降低分类结果的准确率。为了解决此问题,提出一种结合知识图谱的变分自编码器零样本识别算法（KG-VAE）。首先,通过构建联合类别分级结构,类别文本描述和词向量的层次结构化知识图谱做为语义信息库,将知识图谱中丰富的语义知识结合到以变分自编码器为基
钢铁行业是我国的支柱产业之一,然而由于生产环境的复杂性和加工设备的局限性,钢材表面往往会产生划痕、点蚀表面、斑块等不同种类的缺陷,直接影响了钢材的外观和质量。因此,提高钢材表面缺陷的自动化精准检测水平是十分必要的。近年来基于深度学习的目标检测算法被广泛应用在钢材表面缺陷检测场景,但一方面,深度学习模型存在参数量多,内存占用大的问题,使其难以部署到算力和内存有限的钢材表面缺陷检测设备上,妨碍了钢材表
图像增强是图像预处理领域的研究重点,根据人类视觉感官特点提出的Retinex理论模型被广泛应用到各个领域。该方法简单易实现,通过消除原始图像中光照图像的影响来获得一种能够反映图像本质信息的反射图像,实现对图像的增强。由于传统的Retinex算法存在噪声放大、光晕伪影以及图像边缘细节信息丢失的问题,研究人员提出了很多优秀的改进算法,但在改善效果上仍显不足。因此针对现有算法的不足之处,提出了多层次分解
尾矿库在线安全监测是预防和减少尾矿库生产安全事故的必要手段。在线安全监测过程中,现场布置的传感器会返回大量的低价值密度的时间序列数据,并且这些数据模式多变、周期复杂,给数据清洗带来了新的挑战。而同一传感器获取的数据,往往具有时间周期性,不同传感器间又存在模式相关关系,因此考虑利用这些数据的相关关系,提升数据清洗的效果和效率。本文主要内容如下:（1）考虑传感器返回监测数据的时间周期性,提出了通过滑动