研究目的
通过设计一个在基础网络最后一个卷积层后添加反卷积层的网络,以提高遥感图像中小目标的检测精度。
研究成果
与Faster R-CNN相比,DeconvR-CNN模型显著提高了遥感图像中小目标的检测精度,实现了更高的平均精度均值(mAP)。反卷积层的使用有效恢复了池化层中丢失的信息,使该模型特别适用于小目标检测。
研究不足
该方法的有效性主要在包含舰船和飞机的特定遥感图像数据集上得到验证,但未探究其对其他类型小目标或不同成像条件的泛化能力。
研究目的
通过设计一个在基础网络最后一个卷积层后添加反卷积层的网络,以提高遥感图像中小目标的检测精度。
研究成果
与Faster R-CNN相比,DeconvR-CNN模型显著提高了遥感图像中小目标的检测精度,实现了更高的平均精度均值(mAP)。反卷积层的使用有效恢复了池化层中丢失的信息,使该模型特别适用于小目标检测。
研究不足
该方法的有效性主要在包含舰船和飞机的特定遥感图像数据集上得到验证,但未探究其对其他类型小目标或不同成像条件的泛化能力。
加载中....
您正在对论文“[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚(2018年7月22日-2018年7月27日)] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 遥感图像小目标检测的Deconv R-CNN方法”进行纠错
纠错内容
联系方式(选填)
称呼
电话
单位名称
用途
期望交货周期
称呼
电话
单位名称
用途
期望交货周期