为进一步提升空中作战条件下目标检测的性能, 本文通过优化 YOLO v3, 提出了一种基于空中红外目标的检测算法 EN-YOLO v3。该算法使用轻量的 EfficientNet骨干网络作为 YOLO v3的主干特征提取网络, 使模型参数大幅减少, 降低模型的训练时间; 同时选用 CIoU作为模型的损失函数, 优化模型损失计算方法, 提升模型的检测精度。结果表明, 优化后的 EN-YOLO v3目标检测算法与原 YOLO v3相比模型尺寸减少了 50.03%, 精准度提升了 1.17%, 能够有效提升红外场景下空中目标的检测效果。
红外场景 空中目标检测 模型优化 infrared scene, aerial target detection, YOLO v3, YOLO v3
1 上海海事大学，上海200135
2 中国科学院上海技术物理研究所，上海200083
针对遥感图像由于较大仿射变换关系、相似图案和多源性等导致图形匹配时出现伪同构现象，提出了一种基于双向邻域过滤策略的图形匹配方法.本方法采用双向邻域的图形特征描述子来表示特征点的邻域关系.当误配点的双向邻域任意顶点在后期迭代中被视为误配点时，将与匹配点集具有稳定双向邻域结构的点恢复至匹配点集，同时剔除伪同构中残留的误配点.通过与Random Sample Consensus (RANSAC)、Graphing Transformation Matching(GTM)算法以及提出的双向邻域匹配方式比较得出，基于双向邻域过滤策略的匹配方式能够处理空间顺序匹配时存在的伪同构问题，同时获得更高的召回率和匹配率.
图像配准 图形匹配 遥感图像 伪同构 image registration graph matching remote sensing images pseudo isomorphic
