遥感图像怪谈之二-----------飞机的神秘尾影

最新推荐文章于 2024-03-22 15:15:39 发布
最新推荐文章于 2024-03-22 15:15:39 发布
阅读量1.1k 收藏 2
点赞数 1
分类专栏： 遥感GIS 文章标签： 遥感 飞机 全色 多光谱
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44143671/article/details/100598184
版权
本文探讨了在遥感图像中，飞机飞行时出现神秘尾影的现象。通过对比静止和飞行中的飞机图像，揭示了由于全色与多光谱影像成像时间差导致高速运动物体位置不一致，进而造成融合图像中飞机出现重影的问题。不同卫星的传感器特性使得飞机影子的位置有所差异。
摘要由CSDN通过智能技术生成

遥感图像怪谈之二-----------飞机的神秘尾影

经常接触遥感影像或者浏览谷歌地球的朋友不知道有没有这样的发现，就是对于飞行当中的飞机经常会有个尾影形影不离。首先我们来看一个静止的飞机图像：
在这里插入图片描述
大家没有发现什么异常吧，接下来我们来看正在起飞或者降落或者飞行中的飞机图像：

在这里插入图片描述
上图的飞机不管是飞机本体还是地面上的影子的尾部都会存在一个影子。

在这里插入图片描述

上图左边是静止的飞机，没有诡异的尾影，但是 右边这个正在起飞的飞机尾部出现了尾影。下面再看两个图：

在这里插入图片描述
在这里插入图片描述

对于行驶中的高铁同样会出现这种情况，如下图所示&#x

最低0.47元/天 解锁文章
遥感大数据应用
关注
专栏目录
航空遥感图像(Aerial Images)目标检测数据集汇总
蚂蚁搬家
12-18 7万+
常规目标检测数据集有很多，现在前沿的目标检测算法（如Faster R-CNN, Yolo, SSD, Mask R-CNN等）基本都是在这些常规数据集上实验的，但是，基于常规数据集训练的分类器，在航空遥感图像上的检测效果并不好，主要原因是航空遥感图像有其特殊性： 1，尺度多样性，航空遥感图像从几百米到近万米的拍摄高度都有，且地面目标即使是同类目标也大小不一，如港口的轮船大的有300多米，小的也只...
遥感图像怪谈之一-----------华北平原秋季的神秘色彩
weixin_44143671的博客
09-07 1368
遥感图像怪谈之一 在华北平原的部分地区，可能每当国庆前后获取的图像，总会出现以下的季节性怪象：房顶、道路、一些空地会呈现出一片片的金黄色。 村庄： 道路： 甚至连军#用￥机场也未能幸免（跑道出现的扭曲是因为谷歌地球后台的地形数据DEM老旧所致，可参考我的一篇博客：https://blog.csdn.net/weixin_44143671/article/details/100577691）...
图像处理-遥感图像飞机小目标提取
two_apples的博客
03-19 3212
第一个是遥感飞机图像小目标提取，就是一张从高空拍摄的机场的照片，最后完成时将图像中的飞机数量求出，并标记出位置。总的流程可以分为图片预处理，提取特征，匹配特征，标记计数。先在原图中截取背景单一的含有目标提取物的图片进行特征采集，可使匹配更加准确。特征采集过程与图像处理是一个过程，只是一个数据采集的过程。 预处理的目的是将图片二值化，利用连通域去除大面积的背景杂物，主要的杂物背景包括一些大面积的建筑...
基于Faster-RCNN的遥感图像飞机检测算法
03-08
CCCV2017发布遥感图像飞机数据集,用于评测飞机检测算法.针对该遥感图像数据集中的飞机朝向不确定、图像覆盖范围广、图像背景复杂度高,导致飞机检测难度大、检测算法准确率和算法泛化能力低等问题,提出了基于Faster-RCNN的飞机检测改进算法.首先,通过对图像采用翻转以及角度旋转等方式对数据集进行合理的扩增;然后,在扩增后的数据集上,使用深度残差网络对图像进行特征提取,针对数据集中飞机目标的长宽比特点优化区域建议网络;同时,为了防止训练集中正负样本不均衡,采用在线困难样本挖掘方法对数据进行训练.在CCCV2017数据集上评估表明,改进后的Faster-RCNN算法极大提高了初始的Faster-RCNN算法性能,在测试集上m AP达到了89.93%.在NWPUVHR-10、NWPU-RESISC45、UCAS-AOD遥感图像飞机数据集测试表明,该改进模型同样具有良好的性能,从而验证了该模型具有良好的鲁棒性和泛化能力.
目标检测YOLO实战应用案例100讲-改进YOLOv4的遥感图像目标检测
qq_36130719的博客
10-29 984
伴随互联网技术蓬勃发展，人工智能愈发强大，对计算机视觉领域的研究也开创了新 的时代，计算机可以解决越来越多的问题，例如对现实中的图像进行目标分类、目标检测 和跟踪等[1]。目标检测是我国计算机视觉中图像处理应用研究的热点方向之一，其根本任 务是通过提取输入图像的目标特征，分析得到目标所属类别和目标所在的位置，并用框标 出位置，同时显示所属类别及得分[2-3]。因此对图像进行目标检测方法的研究，对于其他领 域的应用有着重大意义[4]。
遥感图像怪谈之四-----------大地上奇形怪状的拼图
weixin_44143671的博客
09-15 821
遥感图像怪谈之四-----------大地上奇形怪状的拼图 近年来，在中国的大地上突然如雨后春笋般出现了一些奇形怪状的拼图，从天空中俯瞰，各种形态怪异的图案如同浮雕一样呈现在人的眼前。下面我们就来看一些卫星图像： 这个像不像一只可爱的兔子： 还有可爱的大熊猫： 也有酷似贝壳： 有分布在西北戈壁荒漠： 也有分布在江南水乡： 有分布在华北平原： 也有分布在云贵高原： 甚至可以分布在湖面上：...
DZ先生怪谈国标案例14——你真的订阅成功了吗？-附件资源
03-05
DZ先生怪谈国标案例14——你真的订阅成功了吗？-附件资源
基于YOLOv5的光学遥感图像舰船目标检测算法
renhongxia1的博客
05-22 2025
源自：系统工程与电子技术作者：成倩, 李佳, 杜娟针对YOLO(you only look once)v5算法在应用于光学遥感图像舰船目标检测任务时所面临的小目标误检率、漏检率较高的情况, 提出一种基于YOLOv5改进的光学遥感图像舰船目标检测方法。首先对路径聚合网络结构进行改进, 设计语义信息增强模块提取更富语义信息的浅层特征, 增强对小目标特征的表达能力;然后使用Swish函数作为激活函数, 提高网络对数据非线性特征的表征能力, 加快模型的收敛速度;
经典深度学习论文 rcnn fast-rcnn faster-rcnn mask -rcnn yolo系类 DOTA
04-13
方便大家查阅经典论文，这个文件里面包涵经典深度学习论文 rcnn fast-rcnn faster-rcnn mask -rcnn yolo系类 以及刚出的DOTA（检测遥感目标）
基于yolov5的遥感图像目标检测（NWPU VHR-10）
weixin_51467037的博客
03-24 9253
最近在做毕设，感觉网上信息不是很全，把自己的训练过程写下来供做这个方向的友友学习。
yolov6实现遥感影像目标识别|以DIOR数据集为例
最新发布
weixin_44095417的博客
03-22 2059
集成多尺度的特征是检测模型常用且有效的手段，YOLOv6也不例外，在PAN的基础上，把CSPBlock替换为RepBlock(小模型使用)或CSPStackRep Block(大模型使用)，并调整宽度和深度，将YOLOv6的颈部命名为Rep-PAN。这20个对象类是飞机、机场、棒球场、篮球场、桥梁、烟囱、水坝、高速公路服务区、高速公路收费站、港口、高尔夫球场、地面田径场、天桥、船舶、体育场、储罐、网球场、火车站、车辆和风磨。在分类性能上，多分支网络相比单分支表现更好，但随并行性降低，其推理速度减慢。
基于PP-YOLOE-SOD实现遥感场景下的小目标检测
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
03-16 3202
目标边界框的宽高与图像的宽高比例小于一定值目标边界框面积与图像面积的比值开方小于一定值分辨率小于32*32像素的目标。如MS-COCO数据集像素值范围在［10，50］之间的目标。如DOTA/WIDER FACE数据集paddle从数据集整体层面提出了如下定义：目标边界框的宽高与图像的宽高比例的中位数小于0.04时，判定该数据集为小目标数据集。目前，小目标检测主要有以下几个难点：覆盖面积小，有效特征少小目标下采样后丢失问题，边界框难以回归，模型难以收敛。
深度学习目标检测项目实战(三)—基于Yolov5的遥感图像目标检测及其界面封装
weixin_39735688的博客
03-22 6679
这里使用官方的yolov5.60进行训练，yolov5的好处就是使用起来便利，只要定义好数据集格式，加上硬件不差，基本上可以跑出来。这里以遥感图像目标检测为例子进行实战。
YOLOv7实验测试之二：遥感图像检测应用（yolov7-tiny-silu.yaml）
m0_70388905的博客
07-21 5025
训练过程用了0.55个小时，得到的权值文件为11.77MB，mAP为89.3%，与YOLOv5s对比来看，YOLOv5s（5.0版本）在nwpu-10数据集上mAP可以达到91.7%，权值文件为13MB,实验设置几乎一致的前提下。目前来看，该算法与YOLOv5s对比来看，相差不大，可能综合整体来说稍微有所提升，没有想象中那样提高很大的精度，有很惊人的表现。前期一直没有时间跑YOLOv7源码，今天对YOLOv7在NWPU-10遥感图像数据集上进行实验测试，现将实验训练以及评估过程分享如下，希望对大家有帮助。.
YOLT——YOLO系的遥感图像应用 (目标检测)(one-stage)(深度学习)(CVPR 2018)
热门推荐
星智云图StarImagine
11-24 2万+
论文名称：《 You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery 》 论文下载：https://arxiv.org/abs/1805.09512 论文代码：https://github.com/CosmiQ/yolt 算法解读： 这篇文章是做卫星图的目标检测，在YOLO v2算法基础上做了...
基于YOLOv8深度学习的遥感地理空间物体检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测
阿旭的博客
03-11 2544
基于YOLOv8深度学习的遥感地理空间物体检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测
cssz-index
08-27
z-index是CSS属性，用于控制元素的层叠顺序。它可以指定元素在层叠上下文中的显示顺序，具有较高z-index值的元素将显示在其他元素的上面。 z-index属性接受整数值和auto。整数值确定元素的堆叠顺序，而auto则表示元素将按照其在文档流中的顺序进行堆叠。 当多个元素发生重叠时，z-index值较高的元素将位于z-index值较低的元素之上。如果两个相邻元素具有相同的z-index值，那么它们将按照其在文档流中的顺序进行堆叠。 请注意，z-index仅在元素定位（position）属性设置为relative、absolute或fixed时才起作用。对于静态定位（static）的元素，z-index属性不起作用。 你还有其他关于z-index的问题吗？
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值