检索结果-维普期刊中文期刊服务平台

用于内河船舶目标检测的单次多框检测器算法被引量：24: 1; 作者王言鹏杨飏姚远《哈尔滨工程大学学报》 EI CAS CSCD 北大核心 2019年第7期1258-1262,共5页; 针对传统目标检测算法在内河水运环境受外界条件影响过大的问题,本文提出了基于单次多框检测器的内河船舶目标检测方法。单次多框检测器模型基于卷积神经网络,使用全图各个位置的多尺度区域特征进行回归,使图像可以直接作为网络的输入,... 展开更多; 关键词目标检测背景建模内河卷积神经网络单次多框检测器样本增强; 在线阅读下载PDF 职称材料

复杂背景下的SAR图像多尺度舰船检测被引量：5: 2; 作者林鑫伟徐志京黄海《中国航海》 CSCD 北大核心 2023年第2期17-24,32,共9页; 合成孔径雷达(Synthetic Aperture Radar,SAR)图像中复杂背景舰船目标的定位和检测,是SAR图像用于海洋监测的关键技术之一。提出一种基于跨连接特征金字塔网络(Cross Connected Feature Pyramid Networks,CCFPN)的SAR图像多尺度舰船目... 展开更多; 关键词舰船目标检测跨连接特征金字塔网络空洞卷积通道特征融合单次多框检测器; 在线阅读下载PDF 职称材料

多尺度卷积特征融合的SSD目标检测算法被引量：56: 3; 作者陈幻杰王琦琦 +4 位作者杨国威韩佳林尹成娟陈隽王以忠《计算机科学与探索》 CSCD 北大核心 2019年第6期1049-1061,共13页; 提出了一种改进的多尺度卷积特征目标检测方法,用以提高SSD(single shot multibox detector)模型对中目标和小目标的检测精确度。该方法先对SSD模型低层特征层采用区域放大提取的方法以提高对小目标的检测能力,再对高层特征层进行特征... 展开更多; 关键词单次多框目标检测器(SSD)模型多尺度特征融合目标检测深度学习; 在线阅读下载PDF 职称材料

改进的SSD-ResNet算法被引量：2: 4; 作者孟婧江平 +1 位作者王凯蒋鑫宇《合肥工业大学学报（自然科学版）》 CAS 北大核心 2023年第3期326-332,共7页; 单次多边界框检测器(single shot multibox detector,SSD)算法因其性能优良已被应用于许多场景中,但该算法对小目标物体的检测精度偏低,主要原因是高层的语义信息没有被充分利用。为解决该问题,文章将其基础网络替换为残差网络(residual... 展开更多; 关键词目标检测单次多边界框检测器(SSD) 残差网络(ResNet) 特征融合注意力机制; 在线阅读下载PDF 职称材料

题名用于内河船舶目标检测的单次多框检测器算法被引量：24: 1; 作者王言鹏杨飏姚远; 机构大连理工大学船舶工程学院; 出处《哈尔滨工程大学学报》 EI CAS CSCD 北大核心 2019年第7期1258-1262,共5页; 基金国家自然科学基金项目(51261120376); 文摘针对传统目标检测算法在内河水运环境受外界条件影响过大的问题,本文提出了基于单次多框检测器的内河船舶目标检测方法。单次多框检测器模型基于卷积神经网络,使用全图各个位置的多尺度区域特征进行回归,使图像可以直接作为网络的输入,避免了由于波浪、树叶晃动等外界因素产生的误检。同时,对于内河船舶样本不足的问题,应用样本增强和迁徙学习的方法训练船舶目标检测的网络模型,有效缓解了训练过程中的过拟合现象,取得了较好的检测效果。经内河不同地区的多组船舶视频检测表明:此方法具有更好的鲁棒性和更低的误检率,船舶的识别率均超过了90%,比传统的背景建模算法提高16%以上。; 关键词目标检测背景建模内河卷积神经网络单次多框检测器样本增强; Keywords object detection background modeling inland waterway convolutional neural network single shot multibox detector(SSD) data enhancement; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名复杂背景下的SAR图像多尺度舰船检测被引量：5: 2; 作者林鑫伟徐志京黄海; 机构上海海事大学信息工程学院; 出处《中国航海》 CSCD 北大核心 2023年第2期17-24,32,共9页; 基金国家重点研发计划(2021YFC2801000) 上海市科技创新行动计划社会发展科技攻关项目(22DZ1204503,21DZ1205803)。; 文摘合成孔径雷达(Synthetic Aperture Radar,SAR)图像中复杂背景舰船目标的定位和检测,是SAR图像用于海洋监测的关键技术之一。提出一种基于跨连接特征金字塔网络(Cross Connected Feature Pyramid Networks,CCFPN)的SAR图像多尺度舰船目标检测算法,较好地解决了复杂背景下的多尺度目标检测问题。构建CCFPN增强舰船目标深层特征与浅层特征的传递;利用多路空洞卷积提高浅层特征提取能力;使用通道拼接方式丰富融合后特征图的信息量。所提出的算法在公开数据集的检测结果表明:该算法能够实现不同数据集复杂、模糊背景下的舰船多尺度目标检测,算法的平均精度(Average Precision,AP)达到95.62%,整体性能优于现有主流目标检测算法。; 关键词舰船目标检测跨连接特征金字塔网络空洞卷积通道特征融合单次多框检测器; Keywords ship target detection CCFPN dilated convolution channel merge SSD; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名多尺度卷积特征融合的SSD目标检测算法被引量：56: 3; 作者陈幻杰王琦琦杨国威韩佳林尹成娟陈隽王以忠; 机构天津科技大学电子信息与自动化学院麦克马斯特大学电子与计算机工程系; 出处《计算机科学与探索》 CSCD 北大核心 2019年第6期1049-1061,共13页; 文摘提出了一种改进的多尺度卷积特征目标检测方法,用以提高SSD(single shot multibox detector)模型对中目标和小目标的检测精确度。该方法先对SSD模型低层特征层采用区域放大提取的方法以提高对小目标的检测能力,再对高层特征层进行特征提取以改善中目标的检测效果。最后,利用SSD模型中原有的多尺度卷积检测方法,将改进的多层特征检测结果进行融合,并通过参数再训练以获得最终改进的SSD模型。实验结果表明,该方法在MS COCO数据集上对中目标和小目标的测试精确度分别为75.1%和40.5%,相比于原有SSD模型分别提升16.3%和23.1%。; 关键词单次多框目标检测器(SSD)模型多尺度特征融合目标检测深度学习; Keywords single shot multibox detector(SSD) multi-scale feature fusion object detection deep-learning; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名改进的SSD-ResNet算法被引量：2: 4; 作者孟婧江平王凯蒋鑫宇; 机构合肥工业大学数学学院; 出处《合肥工业大学学报（自然科学版）》 CAS 北大核心 2023年第3期326-332,共7页; 基金国家自然科学基金资助项目(12172115)。; 文摘单次多边界框检测器(single shot multibox detector,SSD)算法因其性能优良已被应用于许多场景中,但该算法对小目标物体的检测精度偏低,主要原因是高层的语义信息没有被充分利用。为解决该问题,文章将其基础网络替换为残差网络(residual network,ResNet),同时融合深浅层的特征信息来增强浅层特征图的语义信息,此外还引入注意力模块,保留更多的目标特征信息,抑制无关信息,进一步提升对小目标物体的检测效果。在PASCAL VOC2007数据集上进行实验测试,平均精度均值为80.2%,优于其他SSD改进算法。由于增加了特征融合和注意力模块,所提算法检测速度有所下降,但相比于SSD改进算法,检测速度仍有明显的优势。; 关键词目标检测单次多边界框检测器(SSD) 残差网络(ResNet) 特征融合注意力机制; Keywords object detection single shot multibox detector(SSD) residual network(ResNet) feature fusion attention mechanism; 分类号 TP391.413 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	用于内河船舶目标检测的单次多框检测器算法	王言鹏杨飏姚远	《哈尔滨工程大学学报》 EI CAS CSCD 北大核心	2019	24	在线阅读下载PDF 职称材料
2	复杂背景下的SAR图像多尺度舰船检测	林鑫伟徐志京黄海	《中国航海》 CSCD 北大核心	2023	5	在线阅读下载PDF 职称材料
3	多尺度卷积特征融合的SSD目标检测算法	陈幻杰王琦琦杨国威韩佳林尹成娟陈隽王以忠	《计算机科学与探索》 CSCD 北大核心	2019	56	在线阅读下载PDF 职称材料
4	改进的SSD-ResNet算法	孟婧江平王凯蒋鑫宇	《合肥工业大学学报（自然科学版）》 CAS 北大核心	2023	2	在线阅读下载PDF 职称材料