دانلود رایگان مقالات IEEEدانلود رایگان مقالات پژوهشی کامپیوتردانلود رایگان مقالات پژوهشی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات ژورنالی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات سال 2019دانلود رایگان مقاله ISI شبکه های عصبی به زبان انگلیسیدانلود رایگان مقاله ISI شبکه های کامپیوتری به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی فناوری اطلاعات به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI هوش مصنوعی به زبان انگلیسیسال انتشارمقالات فناوری اطلاعات با ایمپکت فاکتور بالا به زبان انگلیسیمقالات مهندسی کامپیوتر با ایمپکت فاکتور بالا به زبان انگلیسی

مقاله انگلیسی رایگان در مورد شبکه عصبی عمیق مبتنی بر کالیبراسیون مجدد – IEEE 2019

 

مشخصات مقاله
ترجمه عنوان مقاله MSARN: یک شبکه عصبی عمیق مبتنی بر یک مکانیسم کالیبراسیون مجدد سازگار برای تشخیص کشتی SAR (رادار روزنه مجازی) خودمختار و چند مقیاسی
عنوان انگلیسی مقاله MSARN: A Deep Neural Network Based on an Adaptive Recalibration Mechanism for Multiscale and Arbitrary-Oriented SAR Ship Detection
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۲۲ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه IEEE
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۴٫۶۴۱ در سال ۲۰۱۸
شاخص H_index ۵۶ در سال ۲۰۱۹
شاخص SJR ۰٫۶۰۹ در سال ۲۰۱۸
شناسه ISSN ۲۱۶۹-۳۵۳۶
شاخص Quartile (چارک) Q2 در سال ۲۰۱۸
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های مرتبط هوش مصنوعی، شبکه های کامپیوتری
نوع ارائه مقاله
ژورنال
مجله / کنفرانس دسترسی – IEEE Access
دانشگاه  Xi’an Institute of High-Technology, Xi’an 710025, China
کلمات کلیدی تشخیص کشتی، رادار روزنه مجازی، کالیبراسیون مجدد سازگار، شبکه عصبی
کلمات کلیدی انگلیسی  Ship detection, synthetic aperture radar (SAR), adaptive recalibration, neural network
شناسه دیجیتال – doi
https://doi.org/10.1109/ACCESS.2019.2951030
کد محصول  E13974
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
I. Introduction
II. Methods
III. Experiments
IV. Discussion
V. Conclusion
Authors
Figures
References

 

بخشی از متن مقاله:
Abstract

Ship detection plays an important role in synthetic aperture radar (SAR) image interpretation. However, there are still some difficulties in SAR ship detection. First, ships often have a large aspect ratio and arbitrary directionality in SAR images. Traditional detection algorithms can cause the detection area to be redundant, which makes it difficult to accurately locate the target in complex scenes. Second, ships in ports are often densely arranged, and the effective identification of densely arranged ships is complicated. Finally, ships in SAR images exist at a variety of scales due to the multiresolution imaging modes used and ship shape variations, which pose a considerable challenge for ship detection. To solve the above problems, we propose a multiscale adaptive recalibration network (MSARN) to detect multiscale and arbitrarily oriented ships in complex scenarios. The recalibration of the extracted multiscale features through global information increases the sensitivity of the network to the target angle, thereby increasing the accuracy of positioning. In particular, we designed a pyramid anchor and a loss function to match the rotated target. In addition, we modified the rotation non-maximum suppression (RNMS) method to solve the problem of the large overlap ratio of the detection box. The proposed model combines the positioning advantage of rotation detection with the speed advantage of a single-stage framework. Experiments show that based on the SAR rotation ship detection (SRSD) data set, the proposed algorithm has a faster detection speed and higher accuracy than some state-of-the-art methods.

Introduction

Synthetic aperture radar (SAR) has been widely used in civil remote sensing surveying and military reconnaissance due to its independence from solar illumination and ability to provide images in all-weather operating conditions [1]–[۴]. In recent years, SARs such as TerraSAR-X, RADARSAT-2, and Sentinel-1 have rapidly developed, which has greatly promoted research on SAR image ship detection methods [5]–[۷]. The constant false alarm rate (CFAR) and its various derivative algorithms are widely used in SAR image ship detection [8]–[۱۰]. This type of algorithm is based on a statistical model of the contrast information, which can automatically adjust thresholds to suit different ocean backgrounds while maintaining the required performance. However, the algorithm modelling process is complicated, and ship detection in complex backgrounds cannot achieve the desired effect. A deep convolutional neural network (DCNN) can automatically learn the structural features of a target and have been rapidly developed in the field of computer vision. A series of object detection algorithms based on DCNN was proposed. The detection algorithms based on DCNN mainly include two types: two-stage detection algorithms, such as the Faster R-CNN [11], and single-stage detection algorithms, such as SSD [12], YOLO [13]–[۱۵], and RFBNet [16].

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا