In a number of previous blogs and a

In a number of previous blogs and academic papers we’ve demonstrated the striking efficacy of adapting YOLO to detect objects in satellite imagery. Recall that YOLO is a leading deep learning object detection framework, designed to detect objects in imagery. YOLO maxes out at image sizes of a few thousand pixels in size, far too small to handle large scale satellite imagery which can exceed 100 million pixels. Therefore we built YOLT (and extended YOLT with SIMRDWN) to optimize this object detection framework for satellite images of arbitrarily large size.

Results (Greek) 1:

Σε πολλά προηγούμενα ιστολόγια και ακαδημαϊκές εργασίες έχουμε αποδείξει την εντυπωσιακή αποτελεσματικότητα της προσαρμογής του YOLO για την ανίχνευση αντικειμένων σε δορυφορικές εικόνες. Θυμηθείτε ότι το YOLO είναι ένα κορυφαίο πλαίσιο ανίχνευσης αντικειμένων βαθιάς μάθησης, σχεδιασμένο για την ανίχνευση αντικειμένων σε εικόνες. Το YOLO κορυφώνεται σε μεγέθη εικόνων με μέγεθος μερικών χιλιάδων pixel, πολύ μικρό για να χειριστεί δορυφορικές εικόνες μεγάλης κλίμακας που μπορεί να ξεπεράσει τα 100 εκατομμύρια pixel. Επομένως, δημιουργήσαμε το YOLT (και επεκτείναμε το YOLT με το SIMRDWN) για να βελτιστοποιήσουμε αυτό το πλαίσιο ανίχνευσης αντικειμένων για δορυφορικές εικόνες αυθαίρετα μεγάλου μεγέθους.

Results (Greek) 2:

Σε μια σειρά από προηγούμενα ιστολόγια και ακαδημαϊκές εργασίες έχουμε αποδείξει την εντυπωσιακή αποτελεσματικότητα της προσαρμογής του YOLO για την ανίχνευση αντικειμένων σε δορυφορικές εικόνες. Θυμηθείτε ότι είναι ένα κορυφαίο πλαίσιο ανίχνευσης αντικειμένων βαθιάς μάθησης, σχεδιασμένο για να ανιχνεύει αντικείμενα σε εικόνες. Η YOLO μεγιστοποιείται σε μέγεθος εικόνων μερικών χιλιάδων εικονοστοιχείων, πολύ μικρή για να χειριστεί μεγάλης κλίμακας δορυφορικές εικόνες που μπορούν να υπερβούν τα 100 εκατομμύρια εικονοστοιχείων. Ως εκ τούτου κατασκευάσαμε το YOLT (και επεκτείναμε το YOLT με το SIMRDWN) για να βελτιστοποιήσουμε αυτό το πλαίσιο ανίχνευσης αντικειμένων για δορυφορικές εικόνες αυθαίρετα μεγάλου μεγέθους.

Results (Greek) 3:

以前のブログや学術論文では、YOLOを利用して衛星画像中の物体を検出する驚くべき効果を示した。 YOLOは、画像内のオブジェクトを検出するための最先端のディープラーニングオブジェクト検出フレームワークであることを思い出してください。 YOLOは数千画素の大きさの画像を最大限に利用しており、これは1億画素を超える大規模な衛星画像を処理するには小さすぎる。 そこで、我々はYOLT（Simrdwnでyoltを拡張した））を設立し、この任意の大規模衛星画像の目標検出フレームワークを最適化した。