Contents
Presentación del informe final de investigación UT20 605 Automated
ResumenLa detección de aeronaves en imágenes de teledetección es cada vez más importante tanto en el ámbito militar como en el civil. Sin embargo, la precisión de los enfoques de detección existentes no es lo suficientemente alta, especialmente para las aeronaves de pequeña escala, teniendo en cuenta el tamaño y el escenario de las imágenes de teledetección. Para mejorar la precisión de la detección de aeronaves de pequeño tamaño, este artículo propone un enfoque de detección de aeronaves basado en Faster-RCNN, denominado MFRC. En primer lugar, se utiliza el algoritmo K-means para agrupar los datos de las aeronaves en las imágenes de teledetección. Los anclajes se mejoran a partir de los resultados de la agrupación. En segundo lugar, para extraer las características de localización de las aeronaves a pequeña escala, la capa de agrupación en la red VGG16 se reduce de cuatro a dos. Por último, se utiliza el algoritmo Soft-NMS para optimizar las cajas de delimitación de las aeronaves. En la experimentación, el MFRC se evalúa en diferentes condiciones y se compara con otros modelos. Los resultados experimentales muestran que el MFRC puede detectar aeronaves a pequeña escala con eficacia y que la precisión mejora en un 3% en comparación con los métodos existentes.
Preguntas y respuestas de Boeing: El aprendizaje automático y la RA
Reprints and PermissionsAbout this articleCite this articleLi, W., Liu, J. & Mei, H. Lightweight convolutional neural network for aircraft small target real-time detection in Airport videos in complex scenes.
Sci Rep 12, 14474 (2022). https://doi.org/10.1038/s41598-022-18263-zDownload citationShare this articleAnyone you share the following link with will be able to read this content:Get shareable linkSorry, a shareable link is not currently available for this article.Copy to clipboard
ComentariosAl enviar un comentario aceptas cumplir con nuestros Términos y Directrices de la Comunidad. Si encuentras algo abusivo o que no cumple con nuestros términos o directrices, por favor márcalo como inapropiado.
Las características desempeñan un papel crucial en el rendimiento del clasificador para la detección de objetos a partir de imágenes de teledetección de alta resolución. En este trabajo, implementamos dos tipos de métodos de aprendizaje profundo, la red neuronal convolucional profunda (DNN) y la red de creencia profunda (DBN), comparando sus rendimientos con los de los métodos tradicionales (características artesanales con un clasificador superficial) en la tarea de detección de aeronaves. Estos métodos aprenden características robustas a partir de un gran conjunto de muestras de entrenamiento para obtener un mejor rendimiento. La profundidad de sus capas (>6 capas) les otorga la capacidad de extraer características estables y a gran escala de la imagen. Nuestros experimentos muestran que ambos métodos de aprendizaje profundo reducen al menos en un 40% la tasa de falsas alarmas de los métodos tradicionales (HOG, LBP+SVM), y la DNN tiene un rendimiento algo mejor que la DBN. También alimentamos algunas imágenes multipreprocesadas simultáneamente a un modelo DNN, y descubrimos que esta práctica ayuda a mejorar el rendimiento del modelo de forma evidente sin añadir ninguna carga informática adicional.
Detección de anomalías y reconocimiento de patrones en datos de vuelo []
[ Dong Z P, Wang M, Li D R, et al. Detección de objetos en imágenes de teledetección basada en redes neuronales convolucionales con características de escala adecuadas[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(10):1285-1295. ] DOI: 10.11947/j.AGCS.2019.20180393
Ji F C, Ming D P, Zeng B C, et al. Detección de aeronaves en imágenes de teledetección de alta resolución espacial combinando características multiángulo impulsadas y CNN de votación mayoritaria[J]. Remote Sensing, 2021, 13(11):2207. DOI: 10.3390/rs13112207
[ Xu J F, Zhang B M, Yu D H, et al. Detección de cambios en el objetivo de la aeronave para imágenes de teledetección de alta resolución utilizando la fusión de múltiples características[J]. Journal of Remote Sensing, 2020, 24(1):37-52. ] DOI: 10.11834/jrs.20208213
Shi L K, Tang Z J, Wang T T, et al. Detección de aeronaves en imágenes de teledetección basada en deconvolución y atención a la posición[J]. International Journal of Remote Sensing, 2021, 42(11):4241-4260. DOI: 10.1080/01431161.2021.1892858
Wei W J, Zhang J W, Xu C Y. Detección de aeronaves de imágenes de teledetección basada en la fusión de características a través del marco de aprendizaje profundo[C]// 2019 IEEE 10th International Conference on Software Engineering and Service Science (ICSESS). IEEE, 2019:1-5. DOI: 10.1109/ICSESS47205.2019.9040808
