共查询到10条相似文献,搜索用时 31 毫秒
1.
采用传统的基于图像处理的检测方法对高速公路抛落物进行检测不仅耗时耗力,而且检测效果不理想,为解决该问题,提出一种基于Faster R-CNN的深度学习检测方法.在原始Faster R-CNN的基础上,采用残差网络Resnet101代替传统的VGG-16网络和ZFNet网络,作为图像特征提取网络;采用尺寸为4像素、8像素和16像素的锚框代替原始锚框,得到高速公路抛落物检测模型.采用自制的高速公路抛落物数据集对该检测方法的有效性进行验证,结果显示,采用该方法检测的平均准确率达到了91.75%,相比原始的Faster R-CNN算法和yolov3算法,分别提高了7.02%和11.13%. 相似文献
2.
3.
4.
5.
6.
随着SAR图像成像技术的不断发展,几何特征被广泛应用在目标识别中,长宽特征因其简单直观、效率高、易于提取等优势,常被作为船只类型的初始判定,针对SAR图像舰船目标长宽特征提取问题,提出一种新的方法。首先通过水平集以及形态学方法获得预处理后的目标图像,利用PCA算法获取SAR图像舰船目标的长轴,结合最小二乘椭圆拟合方法获取舰船目标的短轴,最终得到舰船目标的长宽特征。通过实测SAR图像处理结果表明,该方法能够在背景杂波干扰下,抑制相干斑噪声的影响,提高了长宽提取的精度,是一种有效的舰船目标长宽特征提取方法。 相似文献
7.
基于深度学习方法的海上舰船目标检测 总被引:1,自引:0,他引:1
为了提高海上无人艇的舰船目标检测精度和速率,本文基于深度学习方法,利用卷积神经网络、区域建议网络及Fast R-CNN检测框架构建了舰船检测系统。该系统通过共享的卷积神经网络提取特征;通过区域建议网络生成候选区域;通过Fast R-CNN框架实现目标检测识别,从而实现端到端的舰船目标检测。实验结果表明,相比于传统机器学习目标检测算法,该舰船检测系统在检测精度及检测速率上均有大幅提高,达到83.79%的准确率及0.05 s/帧的检测速率。本文的舰船检测系统在检测精度及速率上均表现优异,满足了水面无人艇的工作要求。 相似文献
8.
9.