典型文献
采用改进YOLOv3的高分辨率遥感图像目标检测
文献摘要：
由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测.在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO).利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框;引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度;使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力.实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97％.
文献关键词：
深度学习;目标检测;高分辨率遥感图像;YOLOv3算法;高斯模型
中图分类号：
作者姓名：
夏英;黄秉坤
作者机构：
重庆邮电大学 计算机科学与技术学院,重庆400065
文献出处：
引用格式：
[1]夏英;黄秉坤-.采用改进YOLOv3的高分辨率遥感图像目标检测)[J].重庆邮电大学学报（自然科学版）,2022(03):383-392
A类：
aximum
B类：
YOLOv3,高分辨率遥感图像,图像目标检测,传统算法,目标检测算法,remote,sensing,RS,means,聚类算法,重新设计,先验框,高斯模型,不确定度,非极大值抑制,soft,suppression,Soft,NMS,增强算法,检测能力,NWPU,VHR,集为,检测精度
AB值：
0.28712
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
