基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
为了提高遥感图像中机场检测的准确性和速度,提出一种迁移学习结合难分样本挖掘的机场检测方法.首先,舍弃以往滑动窗口加手工设计特征的方式,构造了区域卷积神经网络作为基本架构;其次,基于自然图像和机场遥感图像具有共同的低级和中级视觉特征,网络模型在自然图像上进行预训练并修改完善后,在数据有限的机场上迁移学习;然后,在样本训练中借鉴难分样本挖掘思想来提高网络的目标判别能力和训练效能;最后,使用交叉优化策略实现区域建议网络和后续检测网络的卷积层共享,大大地减少了检测时间.仿真结果表明,所提方法能在复杂背景下准确地检测出不同类型的机场,得到检测率为93.6% 、虚警率为11.6% 、时间为0.2 s的实验结果,各项性能均优于其他对比方法.
推荐文章
基于数据生成与迁移学习的轴承小样本故障诊断
风电机轴承
小样本
数据生成
门限机制
迁移学习
微调
故障诊断
基于迁移学习的SAR图像目标检测
迁移学习
深度卷积神经网络
SAR目标检测
训练时间
基于深度迁移学习的网络入侵检测
深度自编码器
迁移学习
入侵检测
嵌入层
标签层
一种机场目标检测与定位方法
连通域
平行线
纹理特征
后向散射特征
支持向量机
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 迁移学习结合难分样本挖掘的机场目标检测
来源期刊 西安电子科技大学学报(自然科学版) 学科 工学
关键词 机场检测 区域卷积神经网络 迁移学习 难分样本挖掘 交叉优化
年,卷(期) 2018,(5) 所属期刊栏目
研究方向 页码范围 190-196
页数 7页 分类号 TP183|TP751.1
字数 3854字 语种 中文
DOI 10.3969/j.issn.1001-2400.2018.05.030
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 许悦雷 空军工程大学航空工程学院 61 585 13.0 22.0
3 马时平 空军工程大学航空工程学院 74 784 15.0 25.0
4 唐红 空军工程大学航空工程学院 24 66 4.0 6.0
5 马红强 空军工程大学航空工程学院 6 17 2.0 4.0
6 朱明明 空军工程大学航空工程学院 4 12 2.0 3.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (13)
共引文献  (12)
参考文献  (9)
节点文献
引证文献  (2)
同被引文献  (12)
二级引证文献  (0)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(1)
  • 参考文献(0)
  • 二级参考文献(1)
2009(1)
  • 参考文献(0)
  • 二级参考文献(1)
2010(3)
  • 参考文献(2)
  • 二级参考文献(1)
2011(1)
  • 参考文献(1)
  • 二级参考文献(0)
2012(2)
  • 参考文献(0)
  • 二级参考文献(2)
2013(3)
  • 参考文献(0)
  • 二级参考文献(3)
2014(3)
  • 参考文献(0)
  • 二级参考文献(3)
2015(3)
  • 参考文献(2)
  • 二级参考文献(1)
2016(1)
  • 参考文献(1)
  • 二级参考文献(0)
2017(3)
  • 参考文献(3)
  • 二级参考文献(0)
2018(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2019(1)
  • 引证文献(1)
  • 二级引证文献(0)
2020(1)
  • 引证文献(1)
  • 二级引证文献(0)
研究主题发展历程
节点文献
机场检测
区域卷积神经网络
迁移学习
难分样本挖掘
交叉优化
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
西安电子科技大学学报(自然科学版)
双月刊
1001-2400
61-1076/TN
西安市太白南路2号349信箱
chi
出版文献量(篇)
4652
总下载数(次)
5
总被引数(次)
38780
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导