-
题名DS-YOLO网络在遥感图像中的飞机检测算法研究
被引量：4
- 1
-
-
作者
吴杰
段锦
赫立群
李英超
朱文涛
-
机构
长春理工大学电子信息工程学院
长春理工大学空间光电技术研究所基础技术实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2021年第1期181-187,共7页
-
基金
国家重点研发计划(2017YFC0803806)
国家自然科学基金重大项目(61890960)。
-
文摘
为了解决传统特征提取方法在遥感图像中飞机检测准确率和实时性不足的问题,基于YOLOv3-tiny网络在准确率提升方面提出两点改进。改进点一:将网络提取图像特征点的方式改进为分组卷积,即将一幅图像分成三个通道进行卷积操作,配合通道特征变换以加强各通道之间的语义关联;改进点二:将网络深层特征增加一个尺度检测,并进行上采样与浅层特征图进行融合预测。在速度提升方面引入深度可分离卷积代替传统卷积以降低参数计算量,达到模型轻量化。根据改进后的网络提出一种包含33个卷积层的改进型卷积神经网络DS-YOLO,对改进前后网络分别在自制遥感飞机图像上进行训练,选出最优的权重,用来对目标小、曝光度高、背景干扰等低质量测试集进行测试分析。实验结果表明,改进后的算法在测试集上精准度提升了14.1%,召回率提升了16.8%,检测低质量遥感飞机图像效果更佳。
-
关键词
深度可分离卷积
分组卷积
DS-YOLO模型
通道特征变换
多尺度预测
-
Keywords
depth separable convolution
packet convolution
DS-YOLO model
channel feature transformation
multiscale prediction
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进RFBNet算法的遥感图像目标检测
被引量：14
- 2
-
-
作者
刘高天
段锦
范祺
吴杰
赵言
-
机构
长春理工大学电子信息工程学院
长春理工大学空间光电技术研究所基础技术实验室
-
出处
《吉林大学学报（理学版）》
CAS
北大核心
2021年第5期1188-1198,共11页
-
基金
国家自然科学基金重大项目(批准号:61890960)
国家重点研发计划项目(批准号:2017YFC0803806).
-
文摘
针对遥感图像中的小目标存在信息少、易受背景干扰、特征表达较弱等缺陷,导致目前通用目标检测算法在对这类小目标进行检测时效果不理想的问题,为提高对遥感图像中小目标的检测能力,提出一种基于RFBNet的改进算法.该算法以RFBNet为框架,首先利用自校正卷积取代特征提取网络中的常规卷积,以扩展感受野丰富输出,进而强化对弱特征的提取能力;然后设计多尺度特征融合模块,丰富浅层特征图的抽象信息;最后设计稠密预测模块,提前在较浅层整合上下文信息,使最后阶段的每层输出都含有丰富且联系紧密的多尺度特征信息.将该算法在数据集UCASAOD和NWPU VHR-10上进行实验,平均检测精度分别达83.4%和94.8%.实验结果表明,该算法有效提高了遥感图像中目标检测的精度,且针对遥感图像中的小尺度目标检测问题改善明显.
-
关键词
目标检测
特征融合
深度学习
卷积神经网络
遥感图像
-
Keywords
target detection
feature fusion
deep learning
convolutional neural network
remote sensing image
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于注意力特征融合的图像去雾算法
被引量：7
- 3
-
-
作者
钱旭淼
段锦
刘举
陈广秋
刘高天
梁丽平
-
机构
长春理工大学电子信息工程学院
长春理工大学空间光电技术研究所基础技术实验室
-
出处
《吉林大学学报（理学版）》
CAS
北大核心
2023年第3期567-576,共10页
-
基金
吉林省科技厅科技发展计划项目(批准号:20220508152RC).
-
文摘
针对雾天环境下图像采集过程中出现的细节丢失、颜色失真、对比度下降等问题,提出一种基于注意力特征融合的图像去雾算法.首先,该算法采用注意力机制原理设计一个特征融合模块,将通道注意力和像素注意力相结合,利用不同通道的特征加权信息不同且雾霾在不同像素分布不均匀的特点,根据特征图的重要程度为其赋予不同的权重,解决了传统算法中雾气残留以及颜色失真的问题;其次,在网络的解码器中加入“增强-操作-减去”的增强策略,解决了去雾后图像细节丢失的问题;最后,为更好地恢复图像质量,采用混合损失函数对网络参数进行训练.实验结果表明,该算法在公开数据集RESIDE上较对比算法PSNR值提高了1.88 dB.
-
关键词
图像去雾
特征融合
注意力机制
增强模型
雾霾天气
-
Keywords
image dehazing
feature fusion
attention mechanism
enhanced model
haze weather
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
