典型文献
一种基于深度学习的光学遥感影像在轨目标检测方法
文献摘要：
针对遥感影像复杂的目标成像特性,采用传统的目标检测算法准确率低、鲁棒性不够的问题,提出了一种基于深度学习的光学遥感影像在轨目标检测方法.在硬件层面,设计了大规模可编程逻辑器件FPGA与多核DSP为构架的星上硬件处理平台,支持在轨目标检测网络参数上注重构功能,实现深度学习模型性能不断优化.在软件层面,采用模块化、参数化和并行流水等设计思想的软件架构和数据流,有效提升了算法实现的效率和可移植性.在算法层面,该方法在YOLOv3特征提取网络(DarkNet-53)的基础上引入深度分离卷积(depthwise separable convolution)以有效压缩模型参数与推理计算量.在检测阶段加入局部再检测模块以提升算法对密集目标的适应性.硬件实测结果表明,与 目前常用的目标检测方法相比,该方法在处理速度和精度上都有较大的提升,目标检测精度高于90％,单元处理速度达到334.24FPS.同时支持飞机、舰船、车辆等典型目标的检测,为型号应用奠定基础.
文献关键词：
遥感影像;目标检测;深度学习;YOLOv3;FPGA
中图分类号：
作者姓名：
璩泽旭;方火能;肖化超;张佳鹏;袁玉;张超
作者机构：
西安空间无线电技术研究所,西安710000
文献出处：
引用格式：
[1]璩泽旭;方火能;肖化超;张佳鹏;袁玉;张超-.一种基于深度学习的光学遥感影像在轨目标检测方法)[J].空间控制技术与应用,2022(05):105-115
A类：
B类：
光学遥感影像,在轨,目标检测方法,成像特性,目标检测算法,可编程逻辑器件,FPGA,多核,DSP,构架,处理平台,目标检测网络,网络参数,深度学习模型,模型性能,参数化,设计思想,软件架构,数据流,算法实现,可移植性,YOLOv3,特征提取网络,DarkNet,深度分离卷积,depthwise,separable,convolution,压缩模型,计算量,再检测,检测模块,密集目标,实测结果,处理速度,检测精度,24FPS,舰船,型号应用
AB值：
0.452304
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。
