典型文献
基于双重分类深度学习的低空目标自动检测方法
文献摘要：
由于图像数量多,因此准确、高效的目标检测是提升靶场光测图像处理自动化程度的关键步骤.针对低空目标图像及目标类型多、目标特性变化等情况导致传统目标检测算法适应性差的问题,提出了一种基于双重分类深度学习的低空目标自动检测方法.该方法基于深度学习目标检测框架YOLO V3,根据低空目标的亮度和形状的双重属性特征,将网络输出层中的单属性分类改进为双属性分类;基于目标区域生长实现样本自动标注,利用序列图像目标约束增加检测结果确认环节.靶场低空场景下的实际图像训练及检测结果表明:该方法初步检测成功率高于90％,后处理之后取得了99％的检测成功率和62％的平均定位精度.
文献关键词：
双属性分类;目标检测;深度学习;自动标注;后处理
中图分类号：
作者姓名：
钟立军;林彬;王杰;甘叔玮;张小虎
作者机构：
中山大学 航空航天学院,广东 广州510275
文献出处：
引用格式：
[1]钟立军;林彬;王杰;甘叔玮;张小虎-.基于双重分类深度学习的低空目标自动检测方法)[J].上海航天（中英文）,2022(02):91-98
A类：
双属性分类
B类：
重分类,低空目标,自动检测,靶场,关键步骤,标图,目标类型,目标特性,目标检测算法,学习目标,检测框架,YOLO,V3,亮度,双重属性,属性特征,出层,目标区域,区域生长,长实,自动标注,序列图像,目标约束,结果确认,空场,图像训练,检测成功率,成功率高,定位精度
AB值：
0.400641
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。
