Models and Methods | Views : 0 下载量: 127 CSCD: 0
  • Export

  • Share

  • Collection

  • Album

    • Lightweight model for On-Orbit optical object detection

    • 针对微纳卫星在轨计算平台上的目标识别问题,研究团队提出了一种深度可分离卷积神经网络模型。该模型通过改进Yolov4网络结构,降低了整体网络结构的深度与复杂度,并利用可分离卷积结构减少模型参数量。同时,通过合并卷积层与Batch Normalization层,进一步加快了前向推理速度。此外,研究团队还借鉴Focal损失函数的思想,改进了目标检测网络的损失函数,以缓解前景与背景样本比例不均衡的问题。与原Yolov4网络模型相比,新模型在保证94.09%识别精度的前提下,参数量降低了约7倍,FLOPs降低了约30倍。此外,通过与Yolo系列、SSD、MobileNet、CenterNet等前沿网络模型的对比实验,进一步验证了新模型的算法性能。这一研究成果为实现在轨目标识别与过滤无用数据提供了理论支撑,有助于推动微纳卫星在轨计算平台的技术进步和应用拓展。
    • Vol. 28, Issue 4, Pages: 1041-1051(2024)   

      Published: 07 April 2024

    • DOI: 10.11834/jrs.20221556     

    扫 描 看 全 文

  • Lyu X N,Xia Y L,Zhao J S and Qiao P. 2024. Lightweight model for On-Orbit optical object detection. National Remote Sensing Bulletin, 28(4):1041-1051 DOI: 10.11834/jrs.20221556.
  •  
  •  
Alert me when the article has been cited
提交

相关作者

Xiaoning LV 中国科学院软件研究所 天基综合信息系统重点实验室
Yuli XIA 中国科学院软件研究所 天基综合信息系统重点实验室
Junsuo ZHAO 中国科学院软件研究所 天基综合信息系统重点实验室;中国科学院大学
Peng QIAO 中国科学院软件研究所 天基综合信息系统重点实验室
YE Jiawei 中南大学 地球科学与信息物理学院
WANG Changcheng 中南大学 地球科学与信息物理学院
GAO Han 中南大学 地球科学与信息物理学院
SHEN Peng 中南大学 地球科学与信息物理学院

相关机构

School of Geosciences and Info-Physics, Central South University
College of Aviation Combat Service, Air Force Aviation University
School of Surveying and Mapping Science and Technology, Xi'an University of Science and Technology
National Geographic Information System Engineering Technology Research Center, China University of Geosciences
Faculty of Geographical Science, Beijing Normal University
0