典型文献
针对遥感影像的MSA-YOLO储油罐目标检测
文献摘要：
原油作为一种重要的战略物资,在我国经济和军事等多个领域均起到重要作用.提出一种算法MSA-YOLO(MultiScale Adaptive YOLO),该算法在YOLOv4算法的基础上进行优化,并基于以吉林一号光学遥感卫星影像为主的遥感图像数据集进行实验,对特定监控区域内的储油罐进行识别与分类.算法优化内容包括:为简化储油罐监测模型同时保证模型的效率,对YOLOv4的网络结构中的多尺度识别模块进行修剪;使用k-means++聚类算法进行初始锚框的选取,使模型加速收敛;使用基于CIoU-NMS的优化,进一步提升推理速度和准确度.实验结果表明,与YOLOv4相比,MSA-YOLO模型参数数量减少25.84％;模型尺寸减少62.13％;在Tesla V100的GPU环境下,模型的训练速度提升6 s/epoch,推理速度提升15.76 F/s;平均精度为95.65％.与此同时,MSA-YOLO算法在多种通用 目标识别算法进行的对比实验中均体现出了更高效的特点.MSA-YOLO算法对储油罐进行准确且实时的识别具有通用可行性,可为遥感数据在能源期货领域提供技术参考.
文献关键词：
计算机视觉;目标检测;深度学习;YOLO;储油罐检测
中图分类号：
作者姓名：
李想;特日根;赵宇恒;陈文韬;徐国成
作者机构：
长光卫星技术股份有限公司,吉林长春130000;吉林省卫星遥感应用技术重点实验室,吉林长春130000;吉林大学材料科学与工程学院,吉林长春130000
文献出处：
引用格式：
[1]李想;特日根;赵宇恒;陈文韬;徐国成-.针对遥感影像的MSA-YOLO储油罐目标检测)[J].电子技术应用,2022(11):24-32,40
A类：
MultiScale,储油罐检测
B类：
遥感影像,MSA,目标检测,原油,战略物资,Adaptive,YOLOv4,吉林一号,光学遥感卫星,卫星影像,遥感图像,图像数据集,识别与分类,算法优化,优化内容,监测模型,尺度识别,识别模块,修剪,means++,聚类算法,锚框,模型加速,CIoU,NMS,推理速度,数数,模型尺寸,Tesla,V100,GPU,训练速度,epoch,目标识别算法,别具,遥感数据,期货,计算机视觉
AB值：
0.391502
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。
