Centre de documentation
scientifique

Vehicle detection in aerial images / Michael Ying Yang in Photogrammetric Engineering & Remote Sensing, PERS, vol 85 n° 4 (avril 2019)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 85 n° 4 (avril 2019) . - pp 297 - 304 Titre : Vehicle detection in aerial images Type de document : Article/Communication Auteurs : Michael Ying Yang, Auteur ; Wentong Liao, Auteur ; Xinbo Li, Auteur ; et al., Auteur Année de publication : 2019 Article en page(s) : pp 297 - 304 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] compréhension de l'image [Termes IGN] détection d'objet [Termes IGN] entropie [Termes IGN] image aérienne [Termes IGN] orthoimage [Termes IGN] précision de la classification [Termes IGN] qualité d'image [Termes IGN] réseau neuronal convolutif [Termes IGN] véhicule automobile Résumé : (Auteur) The detection of vehicles in aerial images is widely applied in many applications. Comparing with object detection in the ground view images, vehicle detection in aerial images remains a challenging problem because of small vehicle size and the complex background. In this paper, we propose a novel double focal loss convolutional neural network (DFL-CNN) framework. In the proposed framework, the skip connection is used in the CNN structure to enhance the feature learning. Also, the focal loss function is used to substitute for conventional cross entropy loss function in both of the region proposal network (RPN) and the final classifier. We further introduce the first large-scale vehicle detection dataset ITCVD with ground truth annotations for all the vehicles in the scene. We demonstrate the performance of our model on the existing benchmark German Aerospace Center (DLR) 3K dataset as well as the ITCVD dataset. The experimental results show that our DFL-CNN outperforms the baselines on vehicle detection. Numéro de notice : A2019-163 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.85.4.297 Date de publication en ligne : 01/04/2019 En ligne : https://doi.org/10.14358/PERS.85.4.297 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92568 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
105-2019041	SL	Revue	Centre de documentation	Revues en salle	Disponible