深度學習在無人機感知與規(guī)避中的研究是近些年來的熱門方向。利用深度學習的方法對無人機視覺范圍內(nèi)捕捉到的畫面進行分析,能夠更好的感知周圍的環(huán)境,有效地規(guī)避障礙物以及規(guī)劃更優(yōu)的航跡路線。本文研究分析了深度學習在圖像分類、目標檢測、人臉識別、人臉關(guān)鍵點檢測的發(fā)展過程及其應(yīng)用。對現(xiàn)有深度學習算法進行了改進,并應(yīng)用于無人機目標識別,取得了較好的成果。本文主要研究內(nèi)容為以下幾個方面:(1)在深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的基礎(chǔ)上,對經(jīng)典的深度殘差網(wǎng)絡(luò)進行改進,提出了一種多捷聯(lián)式殘差網(wǎng)絡(luò)模型。將兩層殘差學習模塊與三層殘差學習模塊結(jié)合使用,設(shè)計出一種占用內(nèi)存更小、時間復(fù)雜度更低的多捷聯(lián)式殘差網(wǎng)絡(luò)模型(Mu-ResNet)。通過搭建多種不同深度的多捷聯(lián)式殘差網(wǎng)絡(luò)進行實驗研究,在cifar10數(shù)據(jù)集上進行分類訓練,最終測試結(jié)果顯示Mu-ResNet的整體性能較ResNet有所提升,且加深網(wǎng)絡(luò)也未出現(xiàn)退化現(xiàn)象。(2)對經(jīng)典的區(qū)域建議網(wǎng)絡(luò)(RPN)進行改進,提出一種級聯(lián)區(qū)域建議網(wǎng)絡(luò)(CRPN)的搜索模式。將設(shè)計出的級聯(lián)區(qū)域建議網(wǎng)絡(luò)(CRPN)與多捷聯(lián)式殘差網(wǎng)絡(luò)(Mu-ResNet)結(jié)合。由于級聯(lián)區(qū)域建議網(wǎng)絡(luò)對不同大小尺寸的特征圖進行區(qū)域搜索,大大減小了計算量,并且對圖像中小目標檢測的效果更好。采用MuResNet與CRPN結(jié)合的網(wǎng)絡(luò)模型在無人機目標數(shù)據(jù)集以及PASCAL VOC數(shù)據(jù)集上進行多目標識別測試,較使用ResNet與RPN結(jié)合的網(wǎng)絡(luò)模型,識別準確率得到了較大的提升。(3)對人臉識別和人臉關(guān)鍵點檢測的特性,在多捷聯(lián)式殘差網(wǎng)絡(luò)和級聯(lián)區(qū)域建議網(wǎng)絡(luò)的基礎(chǔ)上,設(shè)計出了一種基于特征點修正的人臉識別算法,對目標分類識別中檢測到的行人進行細分類(人臉識別)。該算法將人臉識別與人臉關(guān)鍵點檢測用同一個卷積神經(jīng)網(wǎng)絡(luò)完成,且通過檢測出的關(guān)鍵點位置修正人臉識別框,實驗表明我們的算法在FDDB數(shù)據(jù)集上能得到更好的識別準確率,召回率和關(guān)鍵點的平均誤差。在無人機目標數(shù)據(jù)集中對行人的人臉識別也取得了較好的效果。本文所提出的各種算法均采用Matlab、python以及C/C++語言在內(nèi)存為8g的GPU的計算機下開發(fā)和調(diào)試。無人機目標檢測數(shù)據(jù)集為大量無人機航拍圖像,算法除了在自己的采集的數(shù)據(jù)集上完成仿真實驗,也在公開數(shù)據(jù)集(cifar10、PASCAL VOC、FDDB等)上進行了驗證。算法在數(shù)據(jù)集上具有較高的準確性以及實時性是本文所關(guān)注的兩個重要衡量指標,在每一章的實驗部分都測試了算法的實時性與準確性,最終在大量數(shù)據(jù)集上的測試都達到了預(yù)期的實驗效果。
【學位單位】：南昌航空大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：V279;TP183;TP391.41
【部分圖文】：

圖 1-1AlexNet 網(wǎng)絡(luò)模型 VGG16 網(wǎng)絡(luò)再一次刷新了圖像分類的準度卷積神經(jīng)網(wǎng)絡(luò)有了更新的認識。AlexNe的網(wǎng)絡(luò)，但是網(wǎng)絡(luò)層數(shù)只有7層，并不是非突然驟增至 16 層，打破了人們以往對神果。VGG16 網(wǎng)絡(luò)模型如圖 1-2 所示。

圖 1-1AlexNet 網(wǎng)絡(luò)模型后 VGG16 網(wǎng)絡(luò)再一次刷新了圖像分類的準確率深度卷積神經(jīng)網(wǎng)絡(luò)有了更新的認識。AlexNet 雖就的網(wǎng)絡(luò)，但是網(wǎng)絡(luò)層數(shù)只有7層，并不是非常深數(shù)突然驟增至 16 層，打破了人們以往對神經(jīng)網(wǎng)效果。VGG16 網(wǎng)絡(luò)模型如圖 1-2 所示。

5圖 1-3 殘差網(wǎng)絡(luò)結(jié)構(gòu)別機器視覺中一個長期存在,且具有挑戰(zhàn)性的任務(wù)躍領(lǐng)域[22]。目標檢測的最終目的是確定某些給的目標（例如行人、車輛、自行車、房屋和無人目標在圖像空間種的位置和范圍（即返回預(yù)測邊覺的基石，目標識別是解決更復(fù)雜或更高級視覺景理解、目標跟蹤、圖像字幕識別、行為預(yù)測、標識別在許多人工智能和信息技術(shù)領(lǐng)域有廣泛的子、安全、自動駕駛、人機交互、基于內(nèi)容的圖實。目前，深度學習技術(shù)已經(jīng)成為從數(shù)據(jù)自動學
【相似文獻】

相關(guān)期刊論文 前10條

1 王鎧;朱大銘;孟祥旭;;關(guān)于DCNN神經(jīng)網(wǎng)絡(luò)完全穩(wěn)定討論[J];模式識別與人工智能;1997年04期

2 孟慶祥;段學琳;;基于DCNN的高分辨率遙感影像場景分類[J];華中師范大學學報(自然科學版);2019年04期

3 田卓;佘青山;甘海濤;孟明;;面向人臉特征點定位和姿態(tài)估計任務(wù)協(xié)同的DCNN方法[J];計量學報;2019年04期

4 魏云超;趙耀;;基于DCNN的圖像語義分割綜述[J];北京交通大學學報;2016年04期

5 楊東旭;賴惠成;班俊碩;王俊南;;基于改進DCNN結(jié)合遷移學習的圖像分類方法[J];新疆大學學報(自然科學版);2018年02期

6 張鋼;張石清;;基于DCNN和遷移學習的食物圖像識別[J];實驗室研究與探索;2019年06期

7 張保生,周冬明,朱光輝;時延細胞神經(jīng)網(wǎng)絡(luò)(DCNN)的全局穩(wěn)定性[J];云南民族學院學報(自然科學版);2000年03期

8 楊娟;曹浩宇;汪榮貴;薛麗霞;;基于語義DCNN特征融合的細粒度車型識別模型[J];計算機輔助設(shè)計與圖形學學報;2019年01期

9 王振國;陳宏宇;徐文明;;利用DCNN融合特征對遙感圖像進行場景分類[J];電子設(shè)計工程;2018年01期

10 林琰超;;基于病理圖像的DCNN鼻咽癌診斷模型和算法[J];電腦知識與技術(shù);2018年14期

相關(guān)碩士學位論文 前4條

1 翟進有;改進DCNN算法及其在無人機目標識別中應(yīng)用[D];南昌航空大學;2019年

2 鄭嘉祺;基于DCNN的井下行人檢測系統(tǒng)的研究與設(shè)計[D];西安科技大學;2017年

3 景晨凱;基于DCNN的人臉識別技術(shù)在身份驗證中的研究[D];鄭州大學;2017年

4 文俊;基于深度卷積神經(jīng)網(wǎng)絡(luò)的室外場景理解研究[D];杭州電子科技大學;2016年

本文編號：2851122