Key points are not available for this paper at this time.
النطاق الواسع، والخلفية المعقدة، وحجم الهدف الصغير في صور الاستشعار عن بُعد الجوية تؤدي إلى انخفاض دقة الاكتشاف لخوارزميات اكتشاف الأهداف. تتمتع خوارزميات الاكتشاف التقليدية بدقة منخفضة وسرعة بطيئة، مما يجعل من الصعب تحقيق تحديد دقيق للأهداف الصغيرة. تقترح هذه الورقة خوارزمية محسّنة تعتمد على You Only Look Once (YOLO)-v3 لاكتشاف الأهداف في صور الاستشعار عن بُعد. بسبب صعوبة الحصول على مجموعات البيانات، يركز البحث على الأهداف الصغيرة في الصور المعقدة، مثل الطائرات والسفن. لتعويض مشكلة نقص البيانات، نقوم بانتقاء أنواع محددة من عينات التدريب من مجموعة بيانات DOTA (مجموعة بيانات اكتشاف الأجسام في الصور الجوية) ونسلط الضوء على الأهداف الصغيرة في خلفيتين معقدتين مختلفتين من الطائرات والسفن لتقييم درجة تحسين الشبكة المحسّنة بشكل مشترك. نقارن الخوارزمية المحسّنة مع خوارزميات اكتشاف الأهداف الأخرى المتطورة. تظهر النتائج أن مؤشرات الأداء لكلا مجموعتي البيانات قد تحسنت بنسبة 1-3%، مما يثبت فعلياً تفوق الخوارزمية المحسّنة.
درس Cao وآخرون هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: