.png){kind=icon}
返回
Optimal deep learning based vehicle detection and classification using chaotic equilibrium optimization algorithm in remote sensing imagery
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-02491-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
遥感图像（RSI），如航空或卫星图像，能生成地球表面的宏观视图，因此被应用于多个场景中的车辆追踪与监测，例如边境控制、灾害响应和城市交通监控。基于RSI的车辆检测与分类是计算机视觉和图像处理的关键应用，其包含在图像中定位和识别车辆。该过程采用多种目标检测方法，如YOLO、Faster R-CNN或SSD，这些方法利用深度学习（DL）来定位和识别图像中的目标。此外，基于RSI的车辆分类还包括根据其类型（如卡车、摩托车、轿车或公交车）进行分类，并采用机器学习（ML）技术。本文设计并开发了一种基于混沌平衡优化算法与深度学习（VDTC-CEOADL）的自动化车辆类型检测与分类方法，应用于高分辨率RSI。该VDTC-CEOADL技术通过分析高质量RSI实现车辆的精确检测与分类。该方法采用YOLO-HR目标检测器，并以残差网络作为骨干模型来达成目标。此外，还设计了基于CEOA的超参数优化器用于调整ResNet模型的参数。在车辆分类过程中，VDTC-CEOADL技术利用基于注意力机制的长期短期记忆（ALSTM）模型。通过高分辨率RSI数据集验证了VDTC-CEOADL技术的性能，结果表明其在各项指标上均表现出优越性。
Keyword:
Deep learning
Vehicle detection
Vehicle classification
Chaotic equilibrium optimization algorithm
Remote sensing images
期刊
IF:
3.9
论文数:
28.3W
被引数:
83.5W
机构
引用论文
Prediction of Automatic Scram during Abnormal Conditions of Nuclear Power Plants Based on Long Short-Term Memory (LSTM) and Dropout基于长短期记忆网络（LSTM）和Dropout的核电厂异常工况下自动 scram 预测OAAI
OAAI分享收藏Novel Deep Learning Domain Adaptation Approach for Object Detection Using Semi-Self Building Dataset and Modified YOLOv4基于半自建数据集和改进YOLOv4的面向目标检测的新型深度学习领域自适应方法OAAI
OAAI分享收藏
Cloud Based Smart Vehicle Tracking System基于云的智能车辆追踪系统.png)
2021 International Conference on Computing, Electronics & Communications Engineering (iCCECE)
2021 International Conference on Computing, Electronics & Communications Engineering (iCCECE)IF0
PREAI
分享收藏
查看更多内容