Ускорение алгоритма детектирования транспортных средств на спутниковых снимках с помощью процедуры фильтрации гипотез
Автор: Пугачев Игорь Николаевич, Маркелов Геннадий Яковлевич, Тормозов Владимир Сергеевич
Рубрика: Информатика и вычислительная техника
Статья в выпуске: 1, 2019 года.
Бесплатный доступ
Предлагается метод ускорения алгоритма детектирования транспортных средств на спутниковых снимках. Подход основан на применении процедуры фильтрации гипотез после селективного поиска по определенным параметрам. Благодаря этому сокращается количество гипотез, обрабатываемых алгоритмом распознавания, и происходит ускорение работы алгоритма детектирования.
Детектирование, распознавание образов, селективный поиск, спутниковые снимки, компьютерное зрение
Короткий адрес: https://sciup.org/148309023
IDR: 148309023 | УДК: 004.93 | DOI: 10.25586/RNU.V9187.19.01.P.130
Acceleration of the algorithm of detecting vehicles on satellite images using the filtration procedure hypothesis
A method of accelerating the vehicle detection algorithm on satellite images is proposed. The approach is based on the application of the hypothesis filtering procedure after a selective search according to certain parameters. This reduces the number of hypotheses processed by the recognition algorithm and accelerates the operation of the detection algorithm.
Список литературы Ускорение алгоритма детектирования транспортных средств на спутниковых снимках с помощью процедуры фильтрации гипотез
- Learn OpenCV: Selective Search for object detection. URL: https://www.learnopencv.com/selective-search-for-object-detection-cpp-python/
- Wikipedia: Minimum_bounding_rectangle. URL: https://en.wikipedia.org/wiki/Minimum_bounding_rectangle
- Uijlings J., Sande K., Gevers T., Smeulders A. Selective Search for Object Recognition // Technical Report, submitted to IJCV. 2012.
- Пугачев И.Н., Маркелов Г.Я., Тормозов В.С. Методика подсчета транспортных средств с использованием космических снимков сверхвысокого пространственного разрешения // Вестник Тихоокеанского государственного университета. 2017. № 2 (45). С. 13-20.
- Cheng M.M. et al. BING: Binarized normed gradients for objectness estimation at 300fps // Proceedings of the IEEE conference on computer vision and pattern recognition. 2014. P. 3286-3293.
- Cheng M.M. et al. Salientshape: Group saliency in image collections // The Visual Computer. 2014. Т. 30. №. 4. P. 443-453.
- Блейхут Р. Теория и практика кодов, контролирующих ошибки. М.: Мир, 1986.
