典型文献
深度学习支持下的地图图片典型地理目标检测
文献摘要：
针对地图图片中典型地理目标识别问题,本文首先介绍了两种基于深度学习的目标检测方法(YOLO网络和采用focal loss替换交叉熵损失函数的RetinaNet网络),然后将地图图片分别输入两种神经网络模型中进行训练和测试,最后对目标检测结果进行对比分析.结果表明,RetinaNet网络模型对地图图片进行目标检测的准确率有明显提高,且运行速度依然可达秒级.该地理目标检测方法的高准确度与高效性可在地图审查时节约大量人力、时间成本,为地图内容智能理解及互联网地图监管提供了新的技术参考.
文献关键词：
地理目标检测;深度学习;卷积神经网络;YOLO网络;RetinaNet网络
中图分类号：
作者姓名：
王铮;符校;杜凯旋;刘纪平;车向红
作者机构：
浙江省测绘科学技术研究院,浙江杭州311100;中国测绘科学研究院,北京100036;广东省测绘产品质量监督检验中心,广东广州510075;武汉大学资源与环境科学学院,湖北武汉430079
文献出处：
引用格式：
[1]王铮;符校;杜凯旋;刘纪平;车向红-.深度学习支持下的地图图片典型地理目标检测)[J].测绘通报,2022(11):74-78
A类：
地理目标检测,地图审查
B类：
学习支持,图图,目标识别,目标检测方法,YOLO,focal,loss,换交,交叉熵损失函数,RetinaNet,别输,运行速度,高准确度,时节,时间成本
AB值：
0.241494
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。
