期刊导航
期刊开放获取
VIP36
退出
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
2
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
改进YOLOv8的SAR影像船舰目标检测模型
1
作者
杨明秋
陈国坤
+1 位作者
左小清
董燕
《测绘通报》
CSCD
北大核心
2024年第12期18-23,共6页
在SAR影像船舰目标检测任务中,受近海岸区域背景复杂和船舰目标多尺度等因素影响,船舰目标在检测过程中出现检测精度不高、漏检的问题。针对上述问题,本文提出了一种基于YOLOv8s改进的SAR影像船舰目标检测模型,并在SSDD和HRSID数据集上...
在SAR影像船舰目标检测任务中,受近海岸区域背景复杂和船舰目标多尺度等因素影响,船舰目标在检测过程中出现检测精度不高、漏检的问题。针对上述问题,本文提出了一种基于YOLOv8s改进的SAR影像船舰目标检测模型,并在SSDD和HRSID数据集上进行试验验证,效果优于其他经典算法。
展开更多
关键词
船舰目标检测
SAR影像
残差增强
可变形卷积
动态稀疏注意力
在线阅读
下载PDF
职称材料
基于改进YOLOV3-Tiny的海面船舰目标快速检测
被引量：
12
2
作者
李庆忠
徐相玉
《计算机工程》
CAS
CSCD
北大核心
2021年第10期283-289,297,共8页
为实现海面船舰目标的快速、准确检测,提出一种改进的船舰目标检测算法。在网络结构方面根据船舰目标的特点,对浅层信息进行强化重构以降低小目标的漏检率,同时引入改进的残差网络增加网络深度和降低网络参数计算量,并且采用金字塔网络...
为实现海面船舰目标的快速、准确检测,提出一种改进的船舰目标检测算法。在网络结构方面根据船舰目标的特点,对浅层信息进行强化重构以降低小目标的漏检率,同时引入改进的残差网络增加网络深度和降低网络参数计算量,并且采用金字塔网络进行多尺度特征融合,以兼顾图像中大小船舰目标的检测性能。在网络训练中利用迁移学习策略进行网络模型的训练,以克服船舰图像样本集有限的问题。在视频检测中利用帧间图像结构相似度进行选择性网络前向计算,以提高视频帧检测速率。实验结果表明,该算法海面船舰目标检测的准确率达到92.4%,较YOLOV3-Tiny提高7个百分点,召回率达到88.6%,且在CPU平台上船舰目标的检测速度达到12 frame/s。
展开更多
关键词
卷积神经网络
YOLO网络
船舰目标检测
迁移学习
深度学习
在线阅读
下载PDF
职称材料
题名
改进YOLOv8的SAR影像船舰目标检测模型
1
作者
杨明秋
陈国坤
左小清
董燕
机构
昆明理工大学国土资源工程学院
出处
《测绘通报》
CSCD
北大核心
2024年第12期18-23,共6页
基金
国家自然科学基金(42161067)
云南省重大科技专项计划(202202AD080010)。
文摘
在SAR影像船舰目标检测任务中,受近海岸区域背景复杂和船舰目标多尺度等因素影响,船舰目标在检测过程中出现检测精度不高、漏检的问题。针对上述问题,本文提出了一种基于YOLOv8s改进的SAR影像船舰目标检测模型,并在SSDD和HRSID数据集上进行试验验证,效果优于其他经典算法。
关键词
船舰目标检测
SAR影像
残差增强
可变形卷积
动态稀疏注意力
Keywords
ship target detection
SAR imaging
residual enhancement
deformable convolution
dynamic sparse attention
分类号
P237 [天文地球—摄影测量与遥感]
在线阅读
下载PDF
职称材料
题名
基于改进YOLOV3-Tiny的海面船舰目标快速检测
被引量：
12
2
作者
李庆忠
徐相玉
机构
中国海洋大学工程学院
出处
《计算机工程》
CAS
CSCD
北大核心
2021年第10期283-289,297,共8页
基金
国家重点研发计划(2017YFC1405202)
海洋公益性行业科研专项(201605002)。
文摘
为实现海面船舰目标的快速、准确检测,提出一种改进的船舰目标检测算法。在网络结构方面根据船舰目标的特点,对浅层信息进行强化重构以降低小目标的漏检率,同时引入改进的残差网络增加网络深度和降低网络参数计算量,并且采用金字塔网络进行多尺度特征融合,以兼顾图像中大小船舰目标的检测性能。在网络训练中利用迁移学习策略进行网络模型的训练,以克服船舰图像样本集有限的问题。在视频检测中利用帧间图像结构相似度进行选择性网络前向计算,以提高视频帧检测速率。实验结果表明,该算法海面船舰目标检测的准确率达到92.4%,较YOLOV3-Tiny提高7个百分点,召回率达到88.6%,且在CPU平台上船舰目标的检测速度达到12 frame/s。
关键词
卷积神经网络
YOLO网络
船舰目标检测
迁移学习
深度学习
Keywords
Convolutional Neural Network(CNN)
YOLO network
ship target detection
transfer learning
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
作者
出处
发文年
被引量
操作
1
改进YOLOv8的SAR影像船舰目标检测模型
杨明秋
陈国坤
左小清
董燕
《测绘通报》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
基于改进YOLOV3-Tiny的海面船舰目标快速检测
李庆忠
徐相玉
《计算机工程》
CAS
CSCD
北大核心
2021
12
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
