基于深度特征的航拍車輛檢測
發(fā)布時(shí)間：2021-11-07 05:59
近年來,隨著中國經(jīng)濟(jì)的快速發(fā)展,城市化發(fā)展迅速,城市車輛日益增多,交通網(wǎng)絡(luò)也日益復(fù)雜。與此同時(shí),智能交通的理念應(yīng)運(yùn)而生。伴隨著無人機(jī)技術(shù)的進(jìn)步,結(jié)合無人機(jī)的航拍車輛檢測技術(shù)有著越來越多的應(yīng)用場景。但是目前的航拍車輛檢測存在著諸多問題,航拍圖像中車輛過小,傳統(tǒng)的檢測方法效果堪憂,而一般的深度學(xué)習(xí)檢測方法在召回率和精確率上效果一般,同時(shí)大量的標(biāo)注數(shù)據(jù)也是一個(gè)問題。本文針對以上問題做了以下工作:1.本文首先探討了目前已有的航拍車輛檢測的方法以及存在的問題和難點(diǎn),并通過無人機(jī)航拍的方式建立了一個(gè)南京航拍車輛數(shù)據(jù)集進(jìn)行研究。該數(shù)據(jù)集中共包含南京石楊路航拍圖像376張,汽車3732輛,以及南京東麟路航拍圖像101張,汽車1930輛。2.本文基于Faster R-CNN目標(biāo)檢測框架針對航拍圖像中小目標(biāo)車輛的檢測設(shè)計(jì)了一種超特征層方法。在VGG16特征提取網(wǎng)絡(luò)的基礎(chǔ)上,通過融合淺層特征以及深層特征的方法,提出了Concat特征融合模型以及Eltwise特征融合模型,并結(jié)合這兩個(gè)模型得到了最終的超特征層。同時(shí),基于航拍車輛的大小特點(diǎn),改進(jìn)了RPN網(wǎng)絡(luò)中的anchor框生成。實(shí)驗(yàn)表明,我們的方法在航拍車輛...
【文章來源】：南京航空航天大學(xué)江蘇省 211工程院校
【文章頁數(shù)】：69 頁
【學(xué)位級別】：碩士
【部分圖文】：
多層感知機(jī)模型
圖 2.3 多層感知機(jī)模型線性方式連接包含更多的隱含層，組合成更加復(fù)雜深雜的非線性關(guān)系能夠使得神經(jīng)網(wǎng)絡(luò)擁有更加強(qiáng)大的學(xué)擁有著比傳統(tǒng)的算法甚至機(jī)器學(xué)習(xí)方法更好地應(yīng)用效梯度下降過程又可以稱為反向傳播，具體可分成四個(gè)部分：前權(quán)重更新。其訓(xùn)練目標(biāo)就是為神經(jīng)網(wǎng)絡(luò)尋找一組參所示，紅點(diǎn)代表模型的初始權(quán)重0W ，等高線圖代表點(diǎn)W ，訓(xùn)練的過程就是使得初始權(quán)重不斷地逼近W
基于深度特征的航拍車輛檢測激活函數(shù) 2.1.1 節(jié)可知，神經(jīng)網(wǎng)絡(luò)的每一個(gè)神經(jīng)元對輸入進(jìn)行了線性操作并輸出。如果不執(zhí)活，則無論網(wǎng)絡(luò)包含多少層，網(wǎng)絡(luò)中各層均進(jìn)行線性變換。這樣，最終的輸出可性變換來表示，這與 1 層的線性網(wǎng)絡(luò)沒有任何區(qū)別。因此神經(jīng)網(wǎng)絡(luò)通過使用激活線性因素，充分組合特征，解決線性模型所不能解決的問題，提高模型的表達(dá)能活函數(shù)的發(fā)展經(jīng)歷了 Sigmoid –> Tanh -> ReLU -> Leaky ReLU -> Maxout 這樣的igmoid，Tanh，ReLU，Leaky ReLU 等的函數(shù)公式分別如下 2-8 所示： ---1sigmoid( )1-tanh( ) 2sigmoid(2 ) -1Re LU( ) max(0, )LeakyReLU( ) max( * , ) 0,1xx xx xxee ex xe ex xx l x x l ， 函數(shù)曲線如圖 2.5 所示：
【參考文獻(xiàn)】：
期刊論文
[1]基于條件生成式對抗網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)方法[J]. 陳文兵,管正雄,陳允杰. 計(jì)算機(jī)應(yīng)用. 2018(11)
[2]生成式對抗網(wǎng)絡(luò)及其計(jì)算機(jī)視覺應(yīng)用研究綜述[J]. 曹仰杰,賈麗麗,陳永霞,林楠,李學(xué)相. 中國圖象圖形學(xué)報(bào). 2018(10)
[3]基于深度學(xué)習(xí)的高分辨率遙感圖像車輛檢測[J]. 孫秉義,文珊珊,吳昊,蔡鴻明. 東華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)
[4]基于特征圖的車輛檢測和分類[J]. 阮航,王立春. 計(jì)算機(jī)技術(shù)與發(fā)展. 2018(11)
[5]基于半監(jiān)督學(xué)習(xí)生成對抗網(wǎng)絡(luò)的人臉還原算法研究[J]. 曹志義,牛少彰,張繼威. 電子與信息學(xué)報(bào). 2018(02)
[6]一種基于Faster R-CNN的車輛檢測算法[J]. 韓凱,張紅英,王遠(yuǎn),徐敏. 西南科技大學(xué)學(xué)報(bào). 2017(04)
[7]“無人機(jī)+交通”大勢所趨[J]. 周敏. 中國公路. 2017(23)
本文編號：3481302
【文章來源】：南京航空航天大學(xué)江蘇省 211工程院校
【文章頁數(shù)】：69 頁
【學(xué)位級別】：碩士
【部分圖文】：
多層感知機(jī)模型
圖 2.3 多層感知機(jī)模型線性方式連接包含更多的隱含層，組合成更加復(fù)雜深雜的非線性關(guān)系能夠使得神經(jīng)網(wǎng)絡(luò)擁有更加強(qiáng)大的學(xué)擁有著比傳統(tǒng)的算法甚至機(jī)器學(xué)習(xí)方法更好地應(yīng)用效梯度下降過程又可以稱為反向傳播，具體可分成四個(gè)部分：前權(quán)重更新。其訓(xùn)練目標(biāo)就是為神經(jīng)網(wǎng)絡(luò)尋找一組參所示，紅點(diǎn)代表模型的初始權(quán)重0W ，等高線圖代表點(diǎn)W ，訓(xùn)練的過程就是使得初始權(quán)重不斷地逼近W
基于深度特征的航拍車輛檢測激活函數(shù) 2.1.1 節(jié)可知，神經(jīng)網(wǎng)絡(luò)的每一個(gè)神經(jīng)元對輸入進(jìn)行了線性操作并輸出。如果不執(zhí)活，則無論網(wǎng)絡(luò)包含多少層，網(wǎng)絡(luò)中各層均進(jìn)行線性變換。這樣，最終的輸出可性變換來表示，這與 1 層的線性網(wǎng)絡(luò)沒有任何區(qū)別。因此神經(jīng)網(wǎng)絡(luò)通過使用激活線性因素，充分組合特征，解決線性模型所不能解決的問題，提高模型的表達(dá)能活函數(shù)的發(fā)展經(jīng)歷了 Sigmoid –> Tanh -> ReLU -> Leaky ReLU -> Maxout 這樣的igmoid，Tanh，ReLU，Leaky ReLU 等的函數(shù)公式分別如下 2-8 所示： ---1sigmoid( )1-tanh( ) 2sigmoid(2 ) -1Re LU( ) max(0, )LeakyReLU( ) max( * , ) 0,1xx xx xxee ex xe ex xx l x x l ， 函數(shù)曲線如圖 2.5 所示：
【參考文獻(xiàn)】：
期刊論文
[1]基于條件生成式對抗網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)方法[J]. 陳文兵,管正雄,陳允杰. 計(jì)算機(jī)應(yīng)用. 2018(11)
[2]生成式對抗網(wǎng)絡(luò)及其計(jì)算機(jī)視覺應(yīng)用研究綜述[J]. 曹仰杰,賈麗麗,陳永霞,林楠,李學(xué)相. 中國圖象圖形學(xué)報(bào). 2018(10)
[3]基于深度學(xué)習(xí)的高分辨率遙感圖像車輛檢測[J]. 孫秉義,文珊珊,吳昊,蔡鴻明. 東華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)
[4]基于特征圖的車輛檢測和分類[J]. 阮航,王立春. 計(jì)算機(jī)技術(shù)與發(fā)展. 2018(11)
[5]基于半監(jiān)督學(xué)習(xí)生成對抗網(wǎng)絡(luò)的人臉還原算法研究[J]. 曹志義,牛少彰,張繼威. 電子與信息學(xué)報(bào). 2018(02)
[6]一種基于Faster R-CNN的車輛檢測算法[J]. 韓凱,張紅英,王遠(yuǎn),徐敏. 西南科技大學(xué)學(xué)報(bào). 2017(04)
[7]“無人機(jī)+交通”大勢所趨[J]. 周敏. 中國公路. 2017(23)
本文編號：3481302
本文鏈接：http://sikaile.net/kejilunwen/daoluqiaoliang/3481302.html
教材專著
