• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Geoscience and Remote Sensing Symposium >Deconv R-CNN for Small Object Detection on Remote Sensing Images
【24h】

Deconv R-CNN for Small Object Detection on Remote Sensing Images

机译：Deconv R-CNN用于遥感图像上的小目标检测

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Small object detection has drawn increasing interest in computer vision and remote sensing image processing. The Region Proposal Network (RPN) methods (e.g., Faster R-CNN) have obtained promising detection accuracy with several hundred proposals. However, due to the pooling layers in the network structure of the deep model, precise localization of small-size object is still a hard problem. In this paper, we design a network with a deconvolution layer after the last convolution layer of base network for small target detection. We call our model Deconv R-CNN. In the experiment on a remote sensing image dataset, Deconv R-CNN reaches a much higher mean average precision (mAP) than Faster R-CNN.
机译：小物体检测已引起人们对计算机视觉和遥感图像处理的越来越多的兴趣。区域提案网络（RPN）方法（例如Faster R-CNN）通过数百个提案获得了令人鼓舞的检测准确性。但是，由于深度模型的网络结构中的池化层，小对象的精确定位仍然是一个难题。在本文中，我们设计了一个在基础网络的最后一个卷积层之后具有去卷积层的网络，用于小目标检测。我们称我们的模型为Deconv R-CNN。在遥感影像数据集上的实验中，Deconv R-CNN的平均平均精度（mAP）比Faster R-CNN高得多。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号