Resumen

Las aeronaves, como una de las herramientas de transporte indispensables, desempeñan un papel importante en las actividades militares. Por lo tanto, es una tarea importante localizar las aeronaves en las imágenes de teledetección. Sin embargo, los métodos actuales de detección de objetos causan una serie de problemas cuando se aplican a la detección de aeronaves para la imagen de teledetección, por ejemplo, los problemas de baja tasa de precisión de detección y alta tasa de detección fallida. Para abordar los problemas de la baja tasa de precisión de la detección y la alta tasa de detección fallida, se propone un método de detección de objetos para imágenes de teledetección basado en la fusión bidireccional y densa de características para detectar objetivos de aeronaves en entornos sofisticados. Sobre la base del marco de detección YOLOv3, este método añade un módulo de fusión de características para enriquecer los detalles del mapa de características mezclando las características superficiales con las profundas. Los resultados experimentales sobre el RSOD-DataSet y el NWPU-DataSet indican que el nuevo método planteado en el artículo es capaz de mejorar los problemas de baja tasa de precisión de detección y alta tasa de detección fallida. Mientras tanto, el AP de la aeronave aumenta en 1,57 en comparación con YOLOv3.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:tasa de detección, alta tasa, precisión de detección, baja tasa, métodos de detección de objetos, detección fallida, serie de problemas, fusión de características densas, módulo de fusión de características, imagen de teledetección
• Keywords:rate of detection, high rate, detection accuracy, low rate, object detection methods, missed detection, series of problem, dense features fusion, features fusion module, remote sensing image