期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
特征重校准融合密集神经网络的遥感场景分类
被引量：
1
1
作者
陈德海
潘韦驰
+1 位作者
马原
黄艳国
《计算机工程与设计》
北大核心
2020年第6期1670-1675,共6页
针对遥感影像场景中空间信息丰富以及冗余的地理特征会对网络训练时造成干扰等问题,提出一种采用特征重校准融合密集神经网络的遥感影像场景分类方法。通过缩聚与激发机制建立SE block,将SE block与其多尺度分支嵌入DenseNet-121中进行...
针对遥感影像场景中空间信息丰富以及冗余的地理特征会对网络训练时造成干扰等问题,提出一种采用特征重校准融合密集神经网络的遥感影像场景分类方法。通过缩聚与激发机制建立SE block,将SE block与其多尺度分支嵌入DenseNet-121中进行特征重校准,利用DenseNet中密集连接方式加强信息流的传递。该方法使得整体模型获得全局感受野的稳健特征表示,减少遥感场景特征的冗余映射。通过在两个公开遥感影像数据集UCMerced_LandUse和SIRI-WHU中进行实验,分类精度分别高达97.7%和98.9%,验证了该方法的有效性。
展开更多
关键词
特征重校准
密集神经网络
遥感影像
深度学习
场景分类
在线阅读
下载PDF
职称材料
重校准特征融合对抗域适应的遥感影像场景分类
被引量：
2
2
作者
陈德海
潘韦驰
+1 位作者
丁博文
黄艳国
《计算机应用与软件》
北大核心
2020年第5期145-150,共6页
针对遥感影像场景数据难以获取、冗余的地理特征会降低模型的泛化能力等问题,提出一种结合重校准特征与对抗域适应的无监督遥感影像场景分类方法。通过缩聚与激发机制将SE block嵌入VggNet16,用于提高通道之间的相互依赖性,以自适应地...
针对遥感影像场景数据难以获取、冗余的地理特征会降低模型的泛化能力等问题,提出一种结合重校准特征与对抗域适应的无监督遥感影像场景分类方法。通过缩聚与激发机制将SE block嵌入VggNet16,用于提高通道之间的相互依赖性,以自适应地重新校准通道之间的特征响应,使网络模型通过全局信息来选择性地提取有效遥感场景影像特征并抑制干扰特征;建立大型源域数据集并利用对抗域适应方法减少源域与目标域遥感影像场景特征差异,提高模型的泛化能力;在两个公开遥感影像数据集UCMerced_LandUse和SIRI-WHU中进行实验,分类精度分别达到89.45%和98.12%。结果表明,该方法优于主流的无监督方法,在遥感影像场景分类中取得了较好的效果。
展开更多
关键词
遥感影像场景
特征重校准
对抗域适应
深度学习
图像识别
在线阅读
下载PDF
职称材料
一种改进YOLOv3的交通标志识别算法
被引量：
8
3
作者
陈德海
孙仕儒
+1 位作者
王昱朝
邵恒
《河南科技大学学报（自然科学版）》
CAS
北大核心
2022年第6期31-36,M0004,M0005,共8页
针对复杂街景下小目标交通标志牌存在识别精度低和漏检的问题,提出一种基于注意力机制和双向特征融合结构的你只能看一次(YOLOv3)算法。通过构建双尺度注意力模块,嵌入YOLOv3的特征提取网络,对特征通道进行重校准,同时进行多尺度特征的...
针对复杂街景下小目标交通标志牌存在识别精度低和漏检的问题,提出一种基于注意力机制和双向特征融合结构的你只能看一次(YOLOv3)算法。通过构建双尺度注意力模块,嵌入YOLOv3的特征提取网络,对特征通道进行重校准,同时进行多尺度特征的融合,增强了算法的特征信息提取能力。在中国交通标志检测数据集(CCTSDB)上进行实验,检测平均精度高达95.3%。小目标检测的性能相较于YOLOv3算法,得到了较大的提升,验证了该算法的优越性。
展开更多
关键词
交通标志识别
YOLOv3
注意力机制
特征
融合
特征重校准
在线阅读
下载PDF
职称材料
题名
特征重校准融合密集神经网络的遥感场景分类
被引量：
1
1
作者
陈德海
潘韦驰
马原
黄艳国
机构
江西理工大学电气工程及自动化学院
出处
《计算机工程与设计》
北大核心
2020年第6期1670-1675,共6页
基金
国家自然科学基金项目(61463020)
江西省自然科学基金项目(20151BAB206034)。
文摘
针对遥感影像场景中空间信息丰富以及冗余的地理特征会对网络训练时造成干扰等问题,提出一种采用特征重校准融合密集神经网络的遥感影像场景分类方法。通过缩聚与激发机制建立SE block,将SE block与其多尺度分支嵌入DenseNet-121中进行特征重校准,利用DenseNet中密集连接方式加强信息流的传递。该方法使得整体模型获得全局感受野的稳健特征表示,减少遥感场景特征的冗余映射。通过在两个公开遥感影像数据集UCMerced_LandUse和SIRI-WHU中进行实验,分类精度分别高达97.7%和98.9%,验证了该方法的有效性。
关键词
特征重校准
密集神经网络
遥感影像
深度学习
场景分类
Keywords
feature recalibration
densely connected neural network
remote sensing image
deep learning
scene classification
分类号
TP391 [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
重校准特征融合对抗域适应的遥感影像场景分类
被引量：
2
2
作者
陈德海
潘韦驰
丁博文
黄艳国
机构
江西理工大学电气工程及自动化学院
出处
《计算机应用与软件》
北大核心
2020年第5期145-150,共6页
基金
国家自然科学基金项目(61463020)
江西省自然科学基金项目(20151BAB206034)。
文摘
针对遥感影像场景数据难以获取、冗余的地理特征会降低模型的泛化能力等问题,提出一种结合重校准特征与对抗域适应的无监督遥感影像场景分类方法。通过缩聚与激发机制将SE block嵌入VggNet16,用于提高通道之间的相互依赖性,以自适应地重新校准通道之间的特征响应,使网络模型通过全局信息来选择性地提取有效遥感场景影像特征并抑制干扰特征;建立大型源域数据集并利用对抗域适应方法减少源域与目标域遥感影像场景特征差异,提高模型的泛化能力;在两个公开遥感影像数据集UCMerced_LandUse和SIRI-WHU中进行实验,分类精度分别达到89.45%和98.12%。结果表明,该方法优于主流的无监督方法,在遥感影像场景分类中取得了较好的效果。
关键词
遥感影像场景
特征重校准
对抗域适应
深度学习
图像识别
Keywords
Remote sensing image scene
Feature recalibration
Adversarial domain adaptation
Deep learning
Image recognition
分类号
TP391 [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
一种改进YOLOv3的交通标志识别算法
被引量：
8
3
作者
陈德海
孙仕儒
王昱朝
邵恒
机构
江西理工大学电气工程与自动化学院
出处
《河南科技大学学报（自然科学版）》
CAS
北大核心
2022年第6期31-36,M0004,M0005,共8页
基金
国家自然科学基金项目(61763015)。
文摘
针对复杂街景下小目标交通标志牌存在识别精度低和漏检的问题,提出一种基于注意力机制和双向特征融合结构的你只能看一次(YOLOv3)算法。通过构建双尺度注意力模块,嵌入YOLOv3的特征提取网络,对特征通道进行重校准,同时进行多尺度特征的融合,增强了算法的特征信息提取能力。在中国交通标志检测数据集(CCTSDB)上进行实验,检测平均精度高达95.3%。小目标检测的性能相较于YOLOv3算法,得到了较大的提升,验证了该算法的优越性。
关键词
交通标志识别
YOLOv3
注意力机制
特征
融合
特征重校准
Keywords
traffic sign recognition
YOLOv3
attention mechanism
feature fusion
feature recalibration
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
作者
出处
发文年
被引量
操作
1
特征重校准融合密集神经网络的遥感场景分类
陈德海
潘韦驰
马原
黄艳国
《计算机工程与设计》
北大核心
2020
1
在线阅读
下载PDF
职称材料
2
重校准特征融合对抗域适应的遥感影像场景分类
陈德海
潘韦驰
丁博文
黄艳国
《计算机应用与软件》
北大核心
2020
2
在线阅读
下载PDF
职称材料
3
一种改进YOLOv3的交通标志识别算法
陈德海
孙仕儒
王昱朝
邵恒
《河南科技大学学报（自然科学版）》
CAS
北大核心
2022
8
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
