排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
1.
无人机目标检测与识别任务中,目标随着飞行高度的改变尺寸发生显著变化。常规目标检测模型中,获取的小目标细节信息有限,检测精度较低;而适用于小目标的实时检测模型往往容易丢失大目标的背景信息,降低大目标的检测精度。针对以上多尺度目标检测识别任务难点,提出一种基于改进特征金字塔网络(Feature Pyramid Network, FPN)结构的实时多尺度目标检测识别模型。该模型通过增加特征金字塔层级覆盖更广的目标尺度,获取更为丰富的目标信息;同时,利用跨连接增加不同尺度特征融合的多样性,降低特征传导距离,保留更加完整的尺度特征来提高模型检测识别多尺度目标的性能。通过实验发现,相比于原始网络结构和相同特征层级的四层特征金字塔结构,加入改进特征金字塔结构的多尺度目标检测模型识别性能得到了提升。 相似文献
2.
3.
4.
详细讨论了时频域块匹配运动矢量估计算法的理论及其实现,还从算法的运动补偿性能、计算效率和计算复杂度三个方面对时频域两种情况下的算法进行了详尽的比较。在相同条件下比较发现,相比于时域块匹配法,如果频域法不出现“双峰”,则其直接从相位相关图出发可以得到更加平滑和精确的运动场,计算效率高;但时域法更适合了存在多个运动的运动估计。 相似文献
5.
6.
7.
由于运动摄像机的存在使得复杂背蒂下的运动目标检测问题更加复杂,根据场景中目标与背景具有不同的运动、任意场景可以分成不同的运动区域这一基拳事实,提出一种新的基于RBF神经网络的运动目标检测算法。运动补偿后求参考帧与补偿后的当前帧之间的光流,联合当前像素坐标及其灰度值得到五雏特征向量作为RBF网络的输入,RBF网络学习算法通过最小化由Bayesian理论和能量最小化理论导出的损失函数实现。学习矢量量化方法修正网络的中心,收敛后网络的输出就是运动目标区域。试验结果证明了算法的有效性。 相似文献
8.
9.
10.
针对数据链网络的发展趋势及应用需求,揭示了有中心无中心融合处理的基本原理,并对其处理流程与关键技术进行了深入分析,并提供了解决思路及仿真分析。在此基础上,结合机载信息融合的功能及应用,分析对比了有中心无中心融合处理结构的优缺点,并提出了适合当前数据链网络现状的融合处理方式建议,对网络化多平台信息系统的信息融合架构设计、方案选择具有重要参考意义。 相似文献
1