SkyDataNet: یک الگوریتم تشخیص شی با از دست دادن گاوسی دو بعدی برای تصاویر هوایی مبتنی بر پهپاد

عنوان SkyDataNet: یک الگوریتم تشخیص شی با از دست دادن گاوسی دو بعدی برای تصاویر هوایی مبتنی بر پهپاد
نویسنده اوزر، س.، بگن، علی ج.، اوزکان اوغلو، م.ا.
تاریخ انتشار: 2024-01-01
محل انتشار - IEEE
موضوع نقشه حرارتی گاوسی دوبعدی، آشکارسازهای تک مرحله‌ای، پهپاد، تصاویر هوایی، تشخیص اشیا
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 979-8-3503-5143-9
شماره ثبت 47f24443-7c40-4876-b2a9-07e66102be0f
محل کتابخانه علوم کامپیوتر
تاریخ 2024-01-01
یادداشت‌ها TÜBİTAK
متن نمونه در این مقاله، ما یک الگوریتم جدید تشخیص شی را بر اساس تشخیص نقطه مرکزی معرفی می‌کنیم. در معماری خود، استفاده از دو معماری HourGlass را به عنوان ستون فقرات معرفی می کنیم، و استفاده از یک ماژول جدید را برای یکسان سازی پیش بینی های انجام شده پس از هر ستون فقرات معرفی می کنیم. علاوه بر این، از آنجایی که جعبه‌های مرزی در نسبت‌های ابعادی متفاوتی هستند، برخلاف استفاده از واریانس گاوسی اسکالر، ما استفاده از واریانس دو بعدی را در تابع تلفات گاوسی برای پیش‌بینی نقاط مرکزی در شبکه خود معرفی می‌کنیم. ما عملکرد بهبودهای پیشنهادی خود را بر روی سه مجموعه داده هوایی با مقایسه آنها با الگوریتم‌های تشخیص مبتنی بر نقطه مرکزی ارائه می‌کنیم.
DOI 10.1109/MIPR62202.2024.00011
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

SkyDataNet: یک الگوریتم تشخیص شی با از دست دادن گاوسی دو بعدی برای تصاویر هوایی مبتنی بر پهپاد

نویسنده اوزر، س.، بگن، علی ج.، اوزکان اوغلو، م.ا.
تاریخ انتشار 2024-01-01
محل انتشار - IEEE
موضوع نقشه حرارتی گاوسی دوبعدی، آشکارسازهای تک مرحله‌ای، پهپاد، تصاویر هوایی، تشخیص اشیا
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 979-8-3503-5143-9
شماره ثبت 47f24443-7c40-4876-b2a9-07e66102be0f
محل کتابخانه علوم کامپیوتر
تاریخ 2024-01-01
یادداشت‌ها TÜBİTAK
متن نمونه در این مقاله، ما یک الگوریتم جدید تشخیص شی را بر اساس تشخیص نقطه مرکزی معرفی می‌کنیم. در معماری خود، استفاده از دو معماری HourGlass را به عنوان ستون فقرات معرفی می کنیم، و استفاده از یک ماژول جدید را برای یکسان سازی پیش بینی های انجام شده پس از هر ستون فقرات معرفی می کنیم. علاوه بر این، از آنجایی که جعبه‌های مرزی در نسبت‌های ابعادی متفاوتی هستند، برخلاف استفاده از واریانس گاوسی اسکالر، ما استفاده از واریانس دو بعدی را در تابع تلفات گاوسی برای پیش‌بینی نقاط مرکزی در شبکه خود معرفی می‌کنیم. ما عملکرد بهبودهای پیشنهادی خود را بر روی سه مجموعه داده هوایی با مقایسه آنها با الگوریتم‌های تشخیص مبتنی بر نقطه مرکزی ارائه می‌کنیم.
DOI 10.1109/MIPR62202.2024.00011
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید