Apr, 2022

HRPlanes: 深度学习高分辨率飞机数据集

PDF
TL;DR使用谷歌地球 (Google Earth) 的图片和标注每架飞机的边界框，构建了一个名为 HRPlanes 的新型飞机检测数据集，并使用 YOLOv4 和 Faster R-CNN 两种方法进行了评估和结果分析。结果表明，该数据集可以为未来的应用提供有价值的数据来源和基准数据集。此外，本研究的提出的算法和结果可用于飞机检测的不同数据集和模型的迁移学习。
airplane detectionsatellite imagerydeep learningdatasetobject detection
发现论文，激发创造
  • FlightScope: 卫星图像中飞机检测算法的深度综合评估

    评估和比较适用于识别卫星图像中飞机的一套先进目标检测算法，并使用 HRPlanesV2 数据集和 GDIT 数据集进行验证，研究表明 YOLOv5 是特定情况下从遥感数据中识别飞机的最佳模型，具有高精度和适应性。

    Apr, 2024

  • 混合主动学习法：提高卫星图像中飞机检测的性能并限制标注工作量

    使用深度学习，提出一种混合聚类主动学习方法，以较高效地进行卫星图像中的飞机探测，并展示其结果优于其他主动学习方法。

    Feb, 2022

  • RarePlanes: 合成数据翱翔天际

    RarePlanes 是一个独特的开源机器学习数据集，结合了真实和合成卫星图像，并着重探讨了合成数据在卫星影像中自动检测飞机及其属性能力上的价值。

    Jun, 2020

  • 从模糊到清晰的检测：基于 YOLOv5 的航空目标检测与超分辨率

    通过结合超分辨率和经过修改的轻量级 YOLOv5 架构，我们提出了一种创新的方法，用于在航空影像中准确检测小型密集目标，并通过一系列数据集的评估，证明该模型在高密度遮挡条件下能够实现更好的检测结果，从而为航空影像中的目标检测领域带来显著进展。

    Jan, 2024

  • 使用航空影像技术进行真实世界场景下的大规模汽车检测数据集 EAGLE

    EAGLE 是一种大规模的数据集，用于航空图像中多类车辆的检测，并包含了各种各样的真实世界情况，由定向边界框定义并注释，支持研究雾霾和阴影去除以及超分辨率和修补应用。

    Jul, 2020

  • 从单张图像进行 3D 平面检测和重建的 PlaneRCNN

    本论文提出一种称为 PlaneRCNN 的深度神经结构，可以从单个 RGB 图像检测和重构分段平面曲面，并且在基准测试中表现明显优于现有最先进的方法，具有重要的机器人学、增强现实和虚拟现实应用价值。

    Dec, 2018

  • 航拍影像中的目标检测：如何提高精度？

    本文研究了基于深度学习的 Faster R-CNN 在航空图像目标检测中的应用，通过对多种策略的探索，成功提升了模型在 iSAID 数据集上的平均精度（mAP），为航空图像目标检测提出了有效的解决方案。

    Jan, 2022

  • 利用深度学习技术进行土地利用和土地覆盖分类

    通过使用深度卷积神经网络分类空间分辨率非常高（VHR）、正射成像的可见光多光谱图像，本论文探索了自动土地利用 / 土地覆盖（LULC）分类的潜力

    May, 2019

  • EYNet：用于遥感图像机场检测的扩展 YOLO

    本文提出了一种基于 YOLOV3 和 ShearLet 变换的机场检测方案，使用 MobileNet 和 ResNet18 作为基础网络并重训，同时考虑了 ShearLet 滤波器和新颖的检测子网络结构，实验结果在 DIOR 数据集上表现出明显的优越性。

    Mar, 2022

  • 行星科学数据的特征提取和分类：机器学习的应用

    采用机器学习神经网络来识别外行星任务的图像数据集，以实现特征识别。我们分别应用了转移学习和更新的训练模型的方法来识别埃罗帕上混沌区断裂冰的冰块，以及通过训练模型来识别土卫六上的云，进一步验证了我们的技术。

    Oct, 2023