本文選題：無人機(jī)　切入點(diǎn)：航拍圖像　出處：《電光與控制》2017年12期

【摘要】：設(shè)計(jì)了一個(gè)淺層卷積神經(jīng)網(wǎng)絡(luò)來代替預(yù)訓(xùn)練模型中的全連接層,將預(yù)訓(xùn)練網(wǎng)絡(luò)提取的CNN特征作為圖像輸入設(shè)計(jì)好的淺層CNN網(wǎng)絡(luò),對比微調(diào)預(yù)訓(xùn)練模型的方法,能夠更好地適應(yīng)航拍圖像定位任務(wù)。為進(jìn)一步提高航拍圖像的定位準(zhǔn)確率,利用無人機(jī)航拍圖像時(shí)間連續(xù)的特點(diǎn),通過在CNN的分類階段加入Bi-LSTM網(wǎng)絡(luò),使網(wǎng)絡(luò)在分類時(shí)能夠以多張圖像特征作為判斷依據(jù)。實(shí)驗(yàn)表明,時(shí)序圖像定位方法定位準(zhǔn)確率穩(wěn)定在0.89左右,對比單張圖像定位方法準(zhǔn)確率提升5%左右。
[Abstract]:In this paper, a shallow convolution neural network is designed to replace the full connection layer in the pre-training model. The CNN features extracted by the pre-training network are regarded as the shallow CNN network designed for image input, and the methods of fine-tuning the pre-training model are compared. In order to further improve the accuracy of aerial image location, by adding Bi-LSTM network to the classification stage of CNN, the UAV aerial image is continuous in time. The experimental results show that the accuracy of sequential image localization method is about 0.89, and the accuracy of this method is improved by about 5% compared with single image location method.
【作者單位】： 空軍航空大學(xué);
【基金】：吉林省自然科學(xué)基金(20130101069JC)
【分類號】：P23;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 王占宏,杜道生,李建利,成燕輝;國家軍用標(biāo)準(zhǔn)《航天遙感圖像定位精度檢測方法》的制定[J];地理與地理信息科學(xué);2004年03期

相關(guān)碩士學(xué)位論文 前4條

1 雷雨默;多旋翼無人機(jī)堆狀體航空攝影測量[D];西安科技大學(xué);2017年

2 高想卓;降低無人機(jī)影像數(shù)據(jù)冗余度方法的研究[D];西安科技大學(xué);2017年

3 姚睿;基于無人機(jī)POS數(shù)據(jù)優(yōu)化方法的研究[D];西安科技大學(xué);2017年

4 趙之星;用于三維建模的無人機(jī)傾斜攝影飛行參數(shù)優(yōu)化研究[D];西安科技大學(xué);2017年

，

本文編號：1655396