本文選題：無人機　切入點：航拍圖像　出處：《電光與控制》2017年12期

【摘要】：設計了一個淺層卷積神經(jīng)網(wǎng)絡來代替預訓練模型中的全連接層,將預訓練網(wǎng)絡提取的CNN特征作為圖像輸入設計好的淺層CNN網(wǎng)絡,對比微調(diào)預訓練模型的方法,能夠更好地適應航拍圖像定位任務。為進一步提高航拍圖像的定位準確率,利用無人機航拍圖像時間連續(xù)的特點,通過在CNN的分類階段加入Bi-LSTM網(wǎng)絡,使網(wǎng)絡在分類時能夠以多張圖像特征作為判斷依據(jù)。實驗表明,時序圖像定位方法定位準確率穩(wěn)定在0.89左右,對比單張圖像定位方法準確率提升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;
【基金】：吉林省自然科學基金(20130101069JC)
【分類號】：P23;TP391.41

【相似文獻】

相關期刊論文 前1條

1 王占宏,杜道生,李建利,成燕輝;國家軍用標準《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;2004年03期

相關碩士學位論文 前4條

1 雷雨默;多旋翼無人機堆狀體航空攝影測量[D];西安科技大學;2017年

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

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

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

，

本文編號：1655396