旋转矩形框与CBAM改进RetinaNet的SAR图像近岸舰船检测

来源 :测绘科学技术学报 | 被引量 : 0次 | 上传用户:Northbay
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对海岸、岛礁、码头等因素干扰而造成的SAR图像近岸舰船检测精度不高问题,设计了采用旋转矩形框与卷积注意力模块CBAM(Convolutional Block Attention Module)改进RetinaNet的SAR图像近岸舰船检测方案。该方案在RetinaNet算法基础上,利用具有目标角度参数的旋转矩形框减弱非目标区域对舰船特征提取的干扰,在RetinaNet特征提取网络相邻残差块之间加入卷积注意力模块进行目标特征的有效聚焦,从而改善近岸舰船检测效果。利用公开的SSDD数据集、自标注近岸数
其他文献
论述了抓好质量标准化工作的意义,介绍了抓好质量标准化工作的几项措施,指出了抓好质量标准化工作是提高矿井安全管理水平的重要途径.
从披露会计信息主体及使用会计信息主体两个方面说明公允原则.
针对传统的遥感语义分割方法很难找到最优的阈值,且无法区别具有不同光谱特性的同一类对象,提出一种名为MUNet的多尺度自适应的遥感语义分割深度学习网络方法。该方法首先将不同尺度的UNet融合在一起,多个分支共用一个下采样的编码过程;其次各自进行与UNet相同的上采样过程;最后将推理结果进行连接后再进行卷积融合。在3个公开的遥感语义分割数据集上的实验结果表明:与主流的深度学习网络模型相比,平均交并比、
针对高空间分辨率遥感影像中多尺度建筑物提取精度不佳的问题,提出了一种基于多输入多输出和多特征融合的全卷积网络。一方面将输入影像进行不同比例下采样,然后将结果和网络中对应编码段的特征进行融合;另一方面将不同解码段输出的特征图上采样后连接在一起,实现跨尺度特征聚合。以上两种特征融合的方式构成对称的多输入多输出结构,强化了网络对复杂地物的分析能力。此外,在编码段和解码段中间使用基于残差密集连接和空洞卷积
论述了知识经济时代研究型图书馆的发展模式,以及建立一个高校图书馆、科研部门、产业部门三者互动,面向社会开放,集服务与素质教育于一体的服务体系.
针对盾构隧道内线路管道等设备的遮挡导致盾构轨道内壁扫描点云出现缺损的现象,提出一种快速识别缺损与修复的方法。首先使用象限缺损识别结合距离图像边界识别法提取管片缺损信息,并对边界点进行归类;其次使用径向基函数映射法结合标准盾构管片点云数据对缺损区域进行修复;最后对修复完毕管片表面的平整度进行分析,并与传统缺损修复方法进行对比。实验结果表明,该方法能够准确地识别盾构管片点云缺损位置,实现缺损修复。
信息日益成为企业的重要资源,针对许多企业不能挖掘和利用日常收集的信息等问题,介绍了数据挖掘的科学方法,进而分析了数据挖掘技术对于提高企业竞争力的作用,并提出了制定信
论述建设项目造价控制与工程设计、施工的关系及其重要性.并提出控制工程造价的方法.