《表1 鸟巢检测结果分类：基于Faster R-CNN的多尺度高压塔鸟巢检测》
提取 ⇩
《基于Faster R-CNN的多尺度高压塔鸟巢检测》
为了减小图像中高压塔矩形框之外的复杂背景对鸟巢检测结果的影响，如表1所示，对本文方法的检测结果进行了分类判断，通过剔除高压塔矩形框之外的鸟巢检测结果，可以有效降低鸟巢误检情况的概率，进一步提高了鸟巢的检测精度．图7展示了部分基于高压塔矩形框条件下的样本检测结果．
| 图表编号 | B1666610666 |
|---|---|
| 出版时间 | 2019.10.01 |
| 作者 | 王纪武、罗海保、鱼鹏飞、郑乐乐、胡方全 |
| 研究主题 | 基于Faster R-CNN的多尺度高压塔鸟巢检测 |
| 出版单位 | 北京交通大学机械与电子控制工程学院、北京交通大学机械与电子控制工程学院、北京交通大学机械与电子控制工程学院、北京交通大学机械与电子控制工程学院、北京交通大学机械与电子控制工程学院 |
| 更多格式 | JPG/无水印（增值服务） |
| 定制格式 | Excel格式（增值服务） |
传媒
查看“表1 鸟巢检测结果分类：基于Faster R-CNN的多尺度高压塔鸟巢检测”的人还看了
-
- 表3 采用FL函数或DFL函数的Faster R-CNN模型和微调后的Faster R-CNN模型的检测性能对比
- 基于动态焦点损失函数和样本平衡方法的绝缘子缺陷检测方法
-
- 表2 不同γ取值下Faster R-CNN检测的m AP值
- 基于动态焦点损失函数和样本平衡方法的绝缘子缺陷检测方法
-
- 表3 本研究方法与Faster R-CNN对比
- 基于改进DenseNet的水果小目标检测
-
- 表2 原始Faster R-CNN模型检测结果
- 改进Faster R-CNN算法及其在车辆检测中的应用
-
- 表2 Faster R-CNN检测结果
- 基于知识蒸馏的轻量型浮游植物检测网络
-
- 表1 Faster R-CNN雷达特征目标检测结果
- 基于Faster R-CNN的电子海图和雷达图像的数据融合