国防科技大学电子对抗学院脉冲功率激光技术国家重点实验室, 安徽 合肥 230009
针对小样本条件下遥感图像目标的检测精度受到卷积神经网络过拟合影响的问题,提出一种基于生成对抗网络的数据增强方法,利用判别模型为生成模型同时提供图像的局部决策与全局决策,以提高生成模型生成图像的质量,并将生成的目标与训练集图像进行融合得到新的样本,且新生成的样本不需人工标注。实验结果表明,在原始数据中加入生成数据后,检测识别精度有所提高,且本文方法与基于图像仿射变换的数据增强方法的叠加使用进一步提高了数据增强的效果。
图像处理 数据增强 生成对抗网络 判别模型 生成模型 激光与光电子学进展
2021, 58(8): 0810022
1 国防科学技术大学电子对抗学院脉冲功率激光技术国家重点实验室, 安徽 合肥 230037
2 国防科学技术大学, 安徽 合肥 230037
无人机的快速发展与应用在给社会带来便利的同时,也对公共安全、个人隐私、**安全等构成了严重威胁。快速准确地发现未知无人机变得越来越重要。在无人机检测技术中,基于机器视觉的方法具有成本低廉和配置简便的优点。针对低空快速移动的无人机,提出一种基于优化YOLOv3的无人机检测识别方法。利用残差网络及多尺度融合的方式对原始的YOLO网络结构进行优化,提出O-YOLOv3网络,利用真实拍摄的无人机数据集进行训练和测试。实验结果表明,所提方法的平均准确度优于原始方法,检测速度满足实时性要求。
图像处理 低空无人机 目标检测 残差网络 多尺度融合 激光与光电子学进展
2019, 56(20): 201006
