基于Faster RCNN的飞行目标协同识别方法.pdf
是你****盟主
亲,该文档总共13页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于Faster RCNN的飞行目标协同识别方法.pdf
本发明公开了一种基于FasterRCNN的飞行目标协同识别方法,包括以下步骤:构建训练数据集;构建FasterRCNN网络;训练FasterRCNN网络;在多个分布式平台上实施训练后的FasterRCNN网络;进行目标检测并将识别结果进行决策级融合,实现目标协同识别。针对变化环境下的飞行目标红外图像识别场景,本发明的方法采用协同识别的方法能够获取目标多角度、多姿态的图像信息,使对象轮廓、姿态等信息更加丰富立体,能够有效地提高目标的识别准确率,同时优化了FasterRCNN网络的锚框生成方法,提高
一种基于改进Faster RCNN的目标检测方法.pdf
本发明属于目标识别的技术领域,公开了一种基于改进FasterRCNN的目标检测方法,包括步骤一、将待检图像输入融合注意力机制模块的主干网络,得到不同尺度的初始特征图,再将不同尺度的所述初始特征图输入改进的FPN网络进行深层特征和浅层特征的融合,输出不同尺度的最终特征图;步骤二、利用RPN网络提取不同尺度的最终特征图中的感兴趣区域,再将感兴趣区域通过ROIAlign层映射到不同尺度的最终特征图上,并转化成统一大小,以获取固定尺寸的特征矩阵;步骤三、将所述特征矩阵拉直后输入全连接层,对目标位置进行回归,并用
一种基于改进的Faster Rcnn的绝缘子目标识别方法.pdf
本发明公开了一种基于改进的FasterRcnn的绝缘子目标识别方法,使用改进的FasterRcnn识别绝缘子;所述改进的FasterRcnn为:FasterRcnn中Vgg16网络替换为Resnet50网络;所述Resnet50网络中的每个残差块添加一个Eca模块;所述Eca模块位于残差块的最后一个卷积层和Relu激活层之间。本发明将FasterRcnn中的特征提取主干网络Vgg16网络替换为网络层数更深,结构更复杂的Resnet50网络,并且加入基于通道注意力机制的Eca模块提升特征提取主干网
基于改进的Faster RCNN的行人检测方法.pdf
本发明公开了基于改进的FasterRCNN的行人检测方法,首先通过ResNet‑50神经网络提取样本图像的特征图,然后将所得特征图输入RPN模型,并修改了RPN模型的边框回归损失函数,生成候选框;最后将特征图和候选框发送到ROIHead模型,得到目标的类别和定位。本发明基于CNN特征,不仅可以处理任意尺度的图像,而且检测精度较高。相比已公开发明专利,本发明所公开的方法并不需要对网络进行特殊的设计,只需修改RPN模型的边框回归损失函数,充分利用了已有的可用数据,采用通用的网络结构仍旧可以达到不错的实验效
基于Faster RCNN的视频动作检测的开题报告.docx
基于FasterRCNN的视频动作检测的开题报告一、研究背景与意义随着计算机视觉技术的不断发展,视频动作检测作为其中的一个重要研究方向,在物体跟踪、行为识别、视频理解等领域具有广泛的应用前景。目前,视频动作检测已经被广泛应用于监控、智能交通、体育比赛、健身辅助等领域。基于传统的特征检测和分类方法,有一定的局限性,难以实现高效、精确的视频动作检测。基于深度学习的视频动作检测模型,能够从原始视频数据中提取高阶特征进行行为表征,其精度和效率相对传统方法都有所提升。其中,基于FasterR-CNN模型的视频动作检