|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于深度学习的舰船目标检测技术综述显示文摘精确检测与打击舰船目标能够提升武器装备作战效能,是精确制导武器研制的重要方向之一。针对复杂背景下的舰船目标检测需求,总结了基于深度学习的舰船目标检测技术发展现状,对目前采用的检测算法及适用性做了系统性的归纳梳理,整理了常用遥感与合成孔径雷达成像舰船目标数据集,介绍了深度学习在舰船目标检测领域的应用;分析了现有算法存在的不足并提出相应改进思路,同时对舰船目标检测技术未来的研究趋势进行了展望。 | 李晨瑄 胥辉旗 钱坤 邓博元 冯泽钦 | 2021 | 兵器装备工程学报2021，42，12： | 7 |
| 2 | 增强感受野的轻量化合成孔径雷达船舶检测算法显示文摘基于深度学习的合成孔径雷达船舶检测方法大多依赖于强大的图形处理器来实现良好的检测精度,却忽略了检测速度和算法的部署应用。针对上述问题,本文提出一种有效增强感受野的轻量化合成孔径雷达船舶检测算法。首先,使用ShuffleNetV2作为主干特征提取网络,有利于减小计算参数量和模型大小;其次,引入改进型空间金字塔池化模块与空间注意力模块,有效扩大模型感受野,进一步挖掘船舶特征信息;然后,采用改进的路径聚合网络,自底向上传递更丰富的船舶定位特征,增加浅层位置信息和多尺度特征,进一步提高模型的特征提取能力。使用SAR船舶数据集对本文算法进行验证,实验结果表明,模型大小为5.3 MB,平均检测精度可达94.7%,检测速度为46 FPS,同时具有高精度、高实时性和易移植性等优点。 | 王燕妮 孙雪松 余丽仙 | 2022 | 光子学报2022，51，2： | 6 |
| 3 | 深度学习在雷达目标检测中的应用综述显示文摘雷达目标检测技术能够判断回波信号中目标存在与否,并提取目标位置信息。随着雷达图像质量的提升和人工智能技术的发展,利用雷达图像数据通过深度学习方法实现雷达目标检测功能成为一种新的思路。该文首先从雷达目标检测原理入手,对传统和现代两类检测方法进行了梳理,分析了各类检测方法的特点及适用性。然后针对现代雷达回波信号复杂性增大导致传统检测方法统计建模难的问题和机器学习方法特征提取难度大的问题,对深度学习目标检测方法进行了归纳,主要从深度学习算法、雷达回波图像数据类型和应用场景三个方面进行总结。最后分析了深度学习在雷达目标检测应用中面临的挑战,展望了未来的发展趋势。 | 施端阳 林强 胡冰 张馨予 | 2022 | 雷达科学与技术2022，20，6： | 3 |
| 4 | 基于改进R-FCN的SAR图像识别显示文摘由于深度学习在目标识别方面取得了显著的成绩,为提高合成孔径雷达(synthetic aperture radar,SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks,R-FCN)结构应用于SAR图像目标识别中,取得了良好的效果。对于数据集较小和数据相似度较高的问题,提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks,Faster R-CNN)和R-FCN进行模型训练及优化,并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明,所提方法对SAR图像具有更好的识别效果和更快的识别速度。 | 周晓玲 张朝霞 鲁雅 王倩 王琨琨 | 2022 | 系统工程与电子技术2022，44，4： | 3 |
| 5 | 基于AD-Census代价及目标检测的吊车防碰线技术显示文摘针对大型吊车在高压输电线路下施工易发生碰线事故的问题,提出一种基于目标检测和双目测距的方法来对风险进行管控。所提方法首先使用YOLOv4算法对输电线进行检测,然后考虑到双目相机处于不同拍摄角度会导致图像存在亮度差异的情况,提出了基于AD-Census代价的SGBM双目测距算法对输电线进行测距。最后通过实验验证了所提方法的有效性。结果表明,该方法在检测输电线时平均置信度能够达到81.67%,在5~8 m以内测量误差能够控制在0.4 m以内,平均检测测距用时50 ms。相比原始双目测距算法,改进算法的测量精度有一定提升。所提方法能够准确测量吊臂与输电线间的距离,对防止吊车碰线具有一定意义。 | 方春华 陆杰炜 董晓虎 程绳 吴军 申万科 | 2022 | 电子测量技术2022，45，13： | 2 |
| 6 | 基于深度学习的遥感图像舰船目标检测算法综述显示文摘海面舰船目标检测是遥感图像处理和模式识别领域备受关注的重点研究方向,对舰船目标的自动检测在民用和军用方面都具有重大意义。梳理和分析了典型基于深度学习的目标检测算法的优缺点,并进行了对比和总结;归纳了基于深度学习的舰船目标检测的技术现状,并从多尺度检测、多角度检测、小目标检测、模型轻量化和大幅宽遥感图像舰船目标检测等方面对技术现状进行了详细的介绍。最后,介绍了舰船目标识别算法常用的评价标准和现有的舰船图像数据集,探讨了遥感图像舰船目标检测算法现在所面临的问题和未来的发展趋势。 | 黄泽贤 吴凡路 傅瑶 张雨 姜肖楠 | 2023 | 光学精密工程2023，31，15： | 2 |
| 7 | 基于深度学习的端到端车牌检测与识别显示文摘针对目前传统车牌号识别算法定位不准确,识别效率低,实时性差等的问题,提出了一种基于深度学习的车牌定位与车牌字符识别算法。在车牌检测定位阶段通过YOLOv5s算法对图片中的车牌部分进行定位,空间变换网络STN对倾斜的车牌进行矫正,将矫正过后的车牌送入LPRNet字符识别网络进行识别。通过对CCPD数据集的验证发现,相较于传统的车牌识别算法,提出的算法准确率达到98.2%,整个检测识别过程控制在11 ms内,表明了所提算法可满足车牌识别的实际需求。 | 牛志刚 张瑞全 高树静 赵同祥 | 2023 | 电子设计工程2023，31，10： | 1 |
| 8 | 改进YOLOv3模型的铁路异物入侵识别算法显示文摘异物入侵影响列车行车安全,严重时会造成事故伤亡.针对现有铁路异物入侵识别准确率不高、实时性较差等问题,提出了一种改进YOLOv3模型的异物入侵识别算法.首先,利用逆透视变换确定轨道位置并划分危险区域,为后续的异物识别提出基础.然后采用K-means++聚类算法选取适合本文数据集的先验框尺寸,使先验框与特征图层更加契合,提升对铁路异物的定位能力.同时用MobileNetv2作为特征提取网络以减少模型参数量,提高识别的速度.最后,用改进的YOLOv3算法对危险区域进行异物识别.实验结果表明:本文算法在铁轨异物数据集上的平均识别精度达到89.23%,较传统YOLOv3算法高出9.73%,帧速率由20 f·s^(-1)提高到54.3 f·s^(-1),有效提高了铁路异物入侵识别的实时性和准确率. | 朱梦瑞 牛宏侠 | 2022 | 北京交通大学学报2022，46，2： | 1 |
| 9 | 基于CAD模型虚拟仿真数据的深度学习目标检测显示文摘有效的深度学习网络在训练过程中所需数据规模大,而数据的采集与标注极为耗时耗力,限制了深度学习在工业上的应用范围.针对该问题,基于工业生产中常用的CAD模型,结合实际的工业应用背景,设计了一套参数化生成虚拟仿真工件图像数据集的方法,避免工业现场繁琐的平台搭建与数据采集过程.同时,提出一种基于YOLOv3的改进深度学习网络的工业零件目标检测方法,通过优化模型和参数提升深度学习网络性能表现.实验结果表明,相较于传统的YOLOv3算法,该方法灵活高效且获取数据快,实用性更强. | 姜定 李福东 俞松 杨月全 | 2021 | 扬州大学学报(自然科学版)2021，24，4： | 1 |
| 10 | 基于梯形跨尺度特征耦合网络的SAR图像舰船检测显示文摘在合成孔径雷达(SAR)图像舰船检测中,现有检测方法难以有效提取多尺度语义信息,无法准确地表示其在整个网络中的信息权重,且定位模块与分类模块相关性较弱,导致定位不准确。提出一种梯形跨尺度特征耦合网络,通过梯形特征金字塔网络提取各级语义信息,采用交叉结构代替跳连结构,提高网络的泛化能力和语意表征能力,并引入可训练权重因子表示各级语义信息的重要性。在此基础上,将定位模块与分类模块通过耦合检测头增强两者之间的相关性,引入可变形卷积对最终的定位输出进行二次校准,从而提高检测精度。实验结果表明,与FasterRCNN、CascadeRCNN、RetinaNet等主流网络相比,该网络在SSDD数据集上的检测精度提高了2.74个百分点以上,具有良好的检测性能。在近岸复杂场景下,该网络能更有效地检测密集目标和多尺度目标,降低误检和漏检的概率。 | 黄帅 张毅 | 2022 | 计算机工程2022，48，12： | 0 |
| 11 | 基于改进YOLOv4-Tiny的河湖船舶目标检测算法显示文摘为有效提升复杂河湖环境下河湖过往船舶的精准快速识别效果,提出了基于改进YOLOv4-Tiny的河湖船舶目标检测算法。该算法首先通过引入Sigmoid加权线性单元(SiLU)激活函数,构建卷积+批标准化+SiLU激活函数的卷积模块,并替换主干网络中原有模块,然后在主干网络之后增加改进的空间金字塔池化(SPP)网络,最后在特征金字塔网络(FPN)中引入卷积块注意力模块(CBAM),同时采用自上而下的连接,构建改进的路径聚合网络(PANet)。实验结果表明:在昏暗、模糊、强光、遮挡重叠等复杂环境下,提出的改进YOLOv4-Tiny目标检测算法的平均精度比原始算法提升了1.27%,检测(推理)速度达到81.55帧/s,且仅占用内存37.34 MB。研究成果可为河湖过往船舶智能管理提供参考。 | 许小华 陈豹 王海菁 包学才 | 2023 | 人民长江2023，54，9： | 0 |
| 12 | 基于YOLO模型的SAR舰船目标检测方法研究显示文摘随着海上交通运输业业务需求的不断增加,传统的目标检测方法已无法满足实际需求。由于卫星遥感技术的快速发展,基于合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标自动识别具有显著的应用潜力。近年来,深度学习技术在目标检测领域逐渐显现出优势,特别是YOLO (You Only Look Once)模型以其较高的精度和计算效率,为SAR舰船目标的识别提供了一种新的方法。为对比不同的YOLO模型在舰船目标识别领域的性能及其相比于两阶段深度学习算法的优势,本文首先对YOLO系列的结构进行了归纳总结;其次对当前广泛使用的数据集进行了对比分析,并基于SAR图像数据集(SAR Ship Detection Dataset,SSDD)的样本进行重新标注构建出本文的数据集;然后将YOLO系列模型与两阶段目标检测方法——更快速的区域卷积神经网络(Faster Region-based Convolutional Neural Network,Faster R-CNN)在SAR舰船目标检测的精度和速度两方面进行对比实验;最后在YOLOv5模型的基础上对主干网络(Backbone)进行优化,建立了一种基于注意力机制的舰船目标识别深度学习网络——YOLOv5.SAM。基于本文所建立的SAR舰船图像数据集的实验结果表明,YOLOv5在计算精度和计算效率方面相较于其他YOLO系列模型展现出更加显著的综合优势,其m AP值为0.73,但对密集目标的识别精度有待提升。在此基础上,本文提出的YOLOv5.SAM模型在识别精度和对密集目标的检测性能方面均实现了提升,其m AP值达到0.79,从而证明该方法在SAR舰船目标识别方面的有效性。 | 姜赋坤 黄香诚 张晓波 周兴华 | 2023 | 海洋技术学报2023，42，4： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员