10.11772/j.issn.1001-9081.2019091694
基于深度卷积神经网络的舰载机目标检测
针对航母甲板面舰载机密集易遮挡,舰载机目标难以检测,且检测效果易受光照条件和目标尺度影响的问题,提出了一种改进的更快的区域卷积神经网络(Faster R-CNN)舰载机目标检测方法.该方法设计了带排斥损失策略的损失函数,并结合多尺度训练,利用实验室条件下采集的图片对深度卷积神经网络进行训练并测试.测试实验显示,相对于原始Faster R-CNN检测模型,改进后的模型对遮挡舰载机目标具有良好的检测效果,召回率提高了7个百分点,精确率提高了6个百分点.实验结果表明,所提的改进方法能够自动全面地提取舰载机目标特征,解决了遮挡舰载机目标的检测问题,检测精度和速度均能够满足实际需要,且在不同的光照条件和目标尺度下适应性强,鲁棒性较高.
舰载机目标检测、排斥损失策略、更快的区域卷积神经网络、多尺度训练
40
TP391.41(计算技术、计算机技术)
2020-06-02(万方平台首次上网日期,不代表论文的发表时间)
共5页
1529-1533