排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
对于单张红外图像进行隐身效果评估,需要考虑像素点间反映的图像相似特征信息,而单一的相似性度量方法不能够全面准确地反映红外图像间相似性。在对单张红外图像均等分块的基础上,综合考虑了基于图像灰度直方图法、方向梯度直方图特征法、结构相似度法和目标分类4种相似性度量方法的优点,利用主成分分析法确定不同相似性度量方法的权重值,提出了基于综合相似性度量的评估方法。通过各相似性度量方法间横向与纵向的对比,分析不同遮挡情况下目标与背景图像间每种相似性度量方法的平均值和标准差。结果表明:综合相似性度量能够更准确地反映图像间相似性信息,更有效地处理单张红外图像隐身效果评估问题。 相似文献
2.
在目标检测领域,基于深度学习的SSD目标检测网络同时具有实时性好和准确性高两大优点。由于特种车辆红外图像难以获取,以小轿车和公交车红外图像为研究对象,构建了红外图像Pascal VOC数据集,训练了SSD网络,并利用训练好的网络检测了红外目标图像。结果表明,红外目标的特征信息越多,检测精度越高,但红外图像中信息残缺的车辆存在漏检的问题。针对该问题,通过添加残缺窗口模块优化数据集结构,有效解决了车辆漏检问题,同时目标整体的检测准确率也明显提升。将改进数据集后的红外目标检测结果作为评价指标,能够较准确评估复杂背景下特种车辆红外隐身伪装效果。 相似文献
3.
针对地面非合作特种车辆目标红外数据获取难度大、成本高,深度学习网络小样本数据条件下易于出现过拟合、网络泛化能力差等问题,本文以地面车辆红外数据为对象,提出了一种基于几何-特征空间变换的数据增强方法。首先,通过高清红外设备构建了原始地面车辆红外数据集;在此基础上,利用金字塔生成对抗网络(SinGAN)的空间特征重构机制,联合几何空间变换,对原始车辆红外数据进行了增广,并建立了地面目标红外数据集Infrared-VOC;最后,利用几种不同深度学习目标检测模型对增强后的红外数据集进行测试,验证了几何-特征空间联合变换方法数据增强的有效性,为地面非合作特种车辆红外数据增强提供了新方法。 相似文献
4.
5.
应用PCR—RFLP方法对金华猪Ⅰ系(154头)、金华猪Ⅱ系(41头)和金华猪Ⅲ系(53头)的MC4R基因的1269∽1494bp区段进行扩增,并用TaqⅠ酶进行酶切,比较了MC4R酶切后基因型频率分布情况。结果表明,AA基因型频率在金华猪上较高达到0.9194,在Ⅱ系中最高达到0.9512,Ⅲ系次之达到0.9434,Ⅰ系最低达到0.9026,而金华猪的AB基因型和BB基因型频率都较低分别为0.0565和0.0242。 相似文献
6.
地面背景下的红外目标检测是伪装防护、精确制导等领域的关键技术。针对现有基于深度学习的目标检测模型对地面背景下红外目标进行检测时容易受到复杂背景干扰、对目标关注不足,从而导致检测准确率不高的问题,文中提出了一种基于并行注意力机制的地面红外目标检测方法。首先,利用卷积和注意力并行的下采样方式,在降低模型的空间复杂度和提升训练速度的同时,对目标特征进行聚焦和关注;其次,对主干网络提取的多尺度特征进行融合,通过不同尺度信息的复用与互补抑制背景信息的干扰,提升目标检测的准确率;最后,利用焦点损失函数和CIOU损失函数提高模型的分类与回归精度。实验结果表明,在Infrared-VOC数据集上该模型的平均检测精度为82.2%,比YOLOv3提高了6.9%,同时模型的空间复杂度仅为YOLOv3的32.6%,训练时间为YOLOv3的43.7%,实现了模型训练效率和检测精度的提升。 相似文献
7.
1