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:
针对当前航天航空影像识别人工工作量大、自动化效率较低等问题,本文选取不同类型的卷积神经网络框架Resnet、Mobilenet、Inception和不同类型的目标检测模型Faster R-CNN、SSD、YOLO进行了实验分析,并以城市交通场景的车辆数据为例,从精度和速度指标上定量地讨论了不同方法的优缺点,旨在抛砖引玉,为高分辨率、超高分辨率航天航空影像目标检测和识别提供程序和算法支撑.
推荐文章
基于目标跟踪与深度学习的视频火焰识别方法
火焰检测
图像处理
卷积神经网络
多目标跟踪
基于SVM邻域学习的视频目标检测方法
SVM模型
邻域学习
视频目标检测
统计学分析
基于深度学习的木材缺陷图像检测方法
深度学习
卷积神经网络
区域建议网络
木材缺陷图像
CV
基于深度学习方法的复杂场景下车辆目标检测
深度学习
Faster R-CNN
ImageNet数据集
车辆目标检测
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 基于深度学习的视频图像目标检测方法
来源期刊 经纬天地 学科
关键词 深度学习 卷积神经网络 目标检测
年,卷(期) 2021,(2) 所属期刊栏目 研究探索
研究方向 页码范围 85-88,92
页数 5页 分类号 TP391
字数 语种 中文
DOI 10.3969/j.issn.1673-7563.2021.02.024
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2021(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)
研究主题发展历程
节点文献
深度学习
卷积神经网络
目标检测
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
经纬天地
双月刊
1673-7563
14-1372/P
大16开
太原市迎泽大街136号
1986
chi
出版文献量(篇)
1168
总下载数(次)
1
论文1v1指导