太阳活动区是各类太阳活动的主要能量来源,剧烈的太阳活动会直接影响人类的生存环境,因此准确地检测与跟踪太阳活动区对监控和预报空间天气非常重要。太阳活动区的跟踪是一种典型的多目标跟踪问题,根据太阳活动区跟踪的任务需求和Detection-Based Tracking(DBT)模式的特性,本文选用了DBT模式,先采用检测算法检测太阳活动区,再对检测结果进行跟踪。目前用来解决太阳活动区检测与跟踪的方法主要采用传统的图像处理技术。这些方法在检测和跟踪方面存在如下问题:(1)一个具有双极的太阳活动区被误检测为多个活动区。(2)多个距离较近的太阳活动区被误检测为一个活动区。(3)未能及时标注新浮现的太阳活动区、以及仍标注了已经在全日面图像上消失的太阳活动区等现象。本文基于深度学习框架的YOLOv3和DeepSort提出了一种太阳活动区检测和跟踪方法(Active Regions Detection and Tracking Method,ARDTM)。主要工作如下:(1)建立太阳活动区检测数据集。(2)研究基于YOLOv3的太阳活动区检测方法。本文采用YOLOv3-spp方法作为太阳活动区检测方法,该方法在YOLOv3的基础上添加了空间金字塔池化,有效提高了检测性能和准确率。(3)建立太阳活动区跟踪数据集。(4)研究基于纬向较差自转定律和DeepSort的太阳活动区跟踪方法。该跟踪方法对DeepSort中的重识别网络、目标预测、目标匹配和终止条件等方面都做了改进。有效提高了算法对太阳活动区的跟踪性能。ARDTM方法较好地解决了传统图像处理技术易将一个太阳活动区误检测为多个,或者多个太阳活动区误检测为一个活动区的问题;及时捕获到新产生的太阳活动区和终止跟踪已消失的太阳活动区,有效地提高了太阳活动区跟踪的准确率。本文的训练集虽然只采用了HMI数据,但本方法能很好地检测和跟踪HMI和MD...
（共85页)到此这篇yolov3spp原文（yolov3解读）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/bcyy/52647.html