典型文献
基于深度学习的探地雷达二维剖面图像结构特征检测方法
文献摘要：
该文针对探地雷达(GPR)2维剖面图像中目标特征提取困难及其识别精度较低等问题,采用深度学习方法来提取2维剖面图像中目标的特征双曲线.根据GPR工作的物理机制,设计了一种级联结构的卷积神经网络(CNN),先检测并去除回波数据中的直达波干扰信号,再利用CNN得到B扫描(B-SCAN)图像的特征图,并对特征信号进行分类识别以提取目标的特征双曲线.同时,为处理各种干扰信号影响目标特征双曲线结构完整性的问题,提出了一种基于方向引导的特征数据补全方法,提高了目标特征双曲线识别的准确率.与方向梯度直方图(HOG)算法、单级式目标检测(YOLOV3)算法和更快速的区域卷积神经网络(Faster RCNN)算法相比,在综合评价指标F上该文方法的检测结果是最优的.
文献关键词：
探地雷达;深度学习;特征检测;卷积神经网络
中图分类号：
作者姓名：
王辉;欧阳缮;刘庆华;廖可非;周丽军
作者机构：
桂林电子科技大学信息与通信学院 桂林 541004;贺州学院人工智能学院 贺州 542899;桂林电子科技大学卫星导航定位与位置服务国家地方联合工程研究中心 桂林 541004;山西省交通科技研发有限公司 太原 030032
文献出处：
引用格式：
[1]王辉;欧阳缮;刘庆华;廖可非;周丽军-.基于深度学习的探地雷达二维剖面图像结构特征检测方法)[J].电子与信息学报,2022(04):1284-1294
A类：
B类：
探地雷达,剖面图,特征检测方法,GPR,目标特征,识别精度,深度学习方法,双曲线,物理机制,级联结构,回波,波数,直达波,干扰信号,SCAN,特征图,特征信号,分类识别,线结,结构完整性,特征数据,数据补全,方向梯度直方图,HOG,单级式,目标检测,YOLOV3,区域卷积神经网络,Faster,RCNN,综合评价指标
AB值：
0.37406
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。
