排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
2.
现有的高光谱目标检测方法是通过逐像素分类而实现,导致了检测速度缓慢。物体级目标检测的发展为高光谱图像实时目标检测带来了希望。为了实现实时高光谱图像目标检测,文章提出了一种基于目标检测模型YOLO的卷积神经网络算法。首先,该算法提出了用多尺度光谱注意力网络(Res2NetSE)来提取空谱特征,能够提升多尺度目标检测效果并能更有效地提取关键波段信息;其次,该算法提出了一个空间增强的特征金字塔模块(Spatial Enhanced FPN,SFPN)用于特征融合,提升了神经网络的感受野和多尺度性能;最后,该算法设计了FIOU(Fantastic IoU)损失函数,提升了预测框定位精度。实验结果表明,所提出的算法能够有效提取空间域和光谱域信息特征,分别在平均准确率上提升了14.19%、8.01%和5.38%,与现有方法相比表现出更出色的性能。文章的算法为高光谱图像的物体级目标检测提供了一种有效的解决方案,有望推动高光谱图像分析领域的进一步发展。 相似文献
3.
由于基于l1范数的压缩感知理论模型无法充分挖掘信号的稀疏性,因此在重建过程中无法实现对待重构系数的等权值约束,进而导致在信噪比较低时,噪声分布的不稀疏性会严重影响目标信息的重建,造成成像结果中会出现大量虚假目标,成像性能急剧下降。本文在深入分析了加权l1范数模型的基础上,提出了一种更加稳健的适用于含噪模式下的高分辨率压缩感知微波成像模型。该模型在借鉴常规加权l1范数模型的基础上,针对权重选择及加权方式进行了修正,使得权值的变化程度和权值大小分离,可以做到相同的惩罚约束,从而实现成像过程中噪声分量的有效抑制,实验结果说明了低信噪比下所提模型的有效性。 相似文献
1