Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: https://elib.psu.by/handle/123456789/32384
Название: Обнаружение и классификация транспортных средств на снимках сверхвысокого разрешения с помощью нейронных сетей
Авторы: Chen, Ch.
Минальд, А. А.
Богуш, Р. П.
Ma, G.
Weichen, Y.
Абламейко, С. В.
Другие названия: Detection and Classification of Vehicles in Ultra-High Resolutions Images Using Neural Networks
Дата публикации: 2022
Издатель: Институт физики НАН Беларуси
Springer Nature
Библиографическое описание: Chen C., Минальд А.А., Богуш Р.П., Ma G., Weichen Y., Абламейко С.В. Обнаружение и классификация транспортных средств на снимках сверхвысокого разрешения с помощью нейронных сетей. Журнал прикладной спектроскопии. 2022;89(2):275-282. https://doi.org/10.47612/0514-7506-2022-89-2-275-282
Аннотация: Предлагается архитектура глубокой нейронной сети, основанная на интеграции сверточной нейронной сети Faster R-CNN с модулем Feature Pyramid Network. На основе данного подхода разработан алгоритм обнаружения и классификации транспортных средств на изображениях и соответствующая модель. Для обучения предложенной модели использована кроссплатформенная среда ML.NET. Представлены результаты сравнения эффективности применения предложенного подхода и сверточных нейронных сетей YOLO v4 и Faster R-CNN. Показано улучшение точности обнаружения и локализации разных типов транспортных средств на снимках сверхвысокого разрешения. Приведены примеры обработки изображений земной поверхности сверхвысокого разрешения и даны соответствующие рекомендации.
URI (Унифицированный идентификатор ресурса): https://elib.psu.by/handle/123456789/32384
DOI: 10.1007/s10812-022-01361-1
10.47612/0514-7506-2022-89-2-275-282
Располагается в коллекциях:Публикации в Scopus и Web of Science
Машинное обучение. Обработкой изображений и видео. Интеллектуальные системы. Информационная безопасность

Файлы этого ресурса:
Файл Описание РазмерФормат 
275-282.pdf239.65 kBAdobe PDFПросмотреть/Открыть


Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.