排序方式： 共有4条查询结果，搜索用时 0 毫秒
1
1.
基于遥感目标在密集分布和背景复杂场景中因特征提取和表达能力的不足而存在漏检和检测效果不佳的问题,提出了改进YOLOv4的遥感目标检测算法.对用于检测目标的锚框(anchor)用K-means聚类算法重新聚类来减少网络计算量;改进特征提取网络结构,引入残差连接取缔网络中连续卷积操作来提高密集目标特征提取能力;在特征提取网络中激活函数加入自适应激活与否的特征激活平滑因子,而在PANet特征融合网络结构中采用Mish激活函数,增强网络对非线性特征的提取能力,从而提升网络的特征提取能力,提高遥感目标在密集分布场景中的检测效果.将所提算法和原始的YOLOv4目标检测算法在遥感图像数据集上进行对比实验,改进YOLOv4算法在实验选用的遥感图像测试数据集上的平均准确率均值(mAP)达到85.05％,与YOLOv4算法相比,mAP提升了5.77个百分点.实验结果表明,在单目标密集分布和多目标混合分布等背景复杂条件下,改进YOLOv4算法具有更好的检测效果. 相似文献
2.
在云数据中心（IDC）,虚拟机部署（VMP）策略是指如何在数据中心有限的物理资源中内放置合理的虚拟机（VM）。高效的虚拟机部署策略将更好的实现物理资源的整合和利用,最大化实现资源利用和能源节约的效果。该文中,根据虚拟机的存储和CPU两种资源为目标,研究资源利用率最大化的虚拟机放置策略。该策略基于遗传算法,根据虚拟机实际资源（内存和CPU）需求动态,动态的为虚拟机分配资源,实现最大限度降低数据中心资源利用不足和过度利用等概率。在最后,使用CloudSim仿真软件进行模拟实验,通过实验证明,较最佳拟合递减算法（BFD）相比,使用遗传算法对虚拟机进行动态分配,数据中心的资源利用率有较大的提升,同时也说明将多资源需求作为虚拟机放置策略考虑的重要性。 相似文献
3.
基于遥感目标在密集分布和背景复杂场景中因特征提取和表达能力的不足而存在漏检和检测效果不佳的问题,提出了改进YOLOv4的遥感目标检测算法.对用于检测目标的锚框(anchor)用K-means聚类算法重新聚类来减少网络计算量;改进特征提取网络结构,引入残差连接取缔网络中连续卷积操作来提高密集目标特征提取能力;在特征提取网络中激活函数加入自适应激活与否的特征激活平滑因子,而在PANet特征融合网络结构中采用Mish激活函数,增强网络对非线性特征的提取能力,从而提升网络的特征提取能力,提高遥感目标在密集分布场景中的检测效果.将所提算法和原始的YOLOv4目标检测算法在遥感图像数据集上进行对比实验,改进YOLOv4算法在实验选用的遥感图像测试数据集上的平均准确率均值(mAP)达到85.05％,与YOLOv4算法相比,mAP提升了5.77个百分点.实验结果表明,在单目标密集分布和多目标混合分布等背景复杂条件下,改进YOLOv4算法具有更好的检测效果. 相似文献
4.
1