文献

J-GLOBAL ID：202102249159147215   整理番号：21A0669658

Yoloに基づくSarによる船舶検出【JST・京大機械翻訳】

Ship Detection with Sar Based on Yolo

著者 (6件)： Jiang Shaobin (School of Resources and Environment, University of Electronic Science and Technology of China,Chengdu,Sichuan,PRC,611731) ,  Zhu Mingcang (Department of Natural Resources of Sichuan Province,Chengdu,Sichuan,PRC,610072) ,  He Yong (Sichuan Research Institute for Eco-system Restoration & Geo-disaster Prevention,Chengdu,Sichuan,PRC,610081) ,  Zheng Zezhong (Guangxi Key Laboratory for Spatial Information and Geomatics, Guilin University of Technology,Guilin,Guangxi,PRC,541004) ,  Zhou Fangrong (Electric Power Research Institute, Yunnan Power Grid Co., Ltd.,Kunming,Yunnan,PRC,650217) ,  Zhou Guoqing (Guangxi Key Laboratory for Spatial Information and Geomatics, Guilin University of Technology,Guilin,Guangxi,PRC,541004)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IGARSS  ページ： 1647-1650  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 合成開口レーダ(SAR)は,全天候,日中および夜間監視を可能にする。したがって,それは船舶検出と認識のために非常に重要である。SAR特殊画像処理機構のため,従来のターゲット検出アルゴリズムのためにSAR画像で船舶特徴を抽出することは非常に難しい。本論文では,1回(YOLO)アルゴリズム,スライディングウィンドウ検出戦略,およびクラスタリングアルゴリズムの1つだけからなるアプローチを提案する。最初に,GaoFen-3と訓練データセットのSAR画像を集めた。第二に,船舶検出フレームのサイズに関する実験を行い,訓練モデルのフレームの最適サイズを見つけた。第3に,船舶は最初にYOLO v3と高速領域ベースの畳み込みニューラルネットワーク(Fast-RCNN)で検出される。最後に,検出した船舶を適応的にクラスタ化し,YOLO v3とFast-RCNNの実験結果を比較し,長さで考察した。著者らの実験結果は,著者らの方法が,低解像度広帯域SAR画像で表面海の船舶を検出するために高速RCNNを凌駕することを示した。したがって,この手法はSAR画像で海面の船舶を検出するロバストな方法である。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適規模 ,  *船舶 ,  海面 ,  海洋 ,  クラスタ化 ,  広帯域 ,  合成開口レーダ ,  ロバスト性
準シソーラス用語： 訓練データ ,  スライディングウィンドウ ,  SAR画像 ,  クラスタリングアルゴリズム ,  検出アルゴリズム , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： SAR ,  船舶