基于深度特征的航拍车辆检测
发布时间：2021-11-07 05:59
近年来,随着中国经济的快速发展,城市化发展迅速,城市车辆日益增多,交通网络也日益复杂。与此同时,智能交通的理念应运而生。伴随着无人机技术的进步,结合无人机的航拍车辆检测技术有着越来越多的应用场景。但是目前的航拍车辆检测存在着诸多问题,航拍图像中车辆过小,传统的检测方法效果堪忧,而一般的深度学习检测方法在召回率和精确率上效果一般,同时大量的标注数据也是一个问题。本文针对以上问题做了以下工作:1.本文首先探讨了目前已有的航拍车辆检测的方法以及存在的问题和难点,并通过无人机航拍的方式建立了一个南京航拍车辆数据集进行研究。该数据集中共包含南京石杨路航拍图像376张,汽车3732辆,以及南京东麟路航拍图像101张,汽车1930辆。2.本文基于Faster R-CNN目标检测框架针对航拍图像中小目标车辆的检测设计了一种超特征层方法。在VGG16特征提取网络的基础上,通过融合浅层特征以及深层特征的方法,提出了Concat特征融合模型以及Eltwise特征融合模型,并结合这两个模型得到了最终的超特征层。同时,基于航拍车辆的大小特点,改进了RPN网络中的anchor框生成。实验表明,我们的方法在航拍车辆...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
多层感知机模型
图 2.3 多层感知机模型线性方式连接包含更多的隐含层，组合成更加复杂深杂的非线性关系能够使得神经网络拥有更加强大的学拥有着比传统的算法甚至机器学习方法更好地应用效梯度下降过程又可以称为反向传播，具体可分成四个部分：前权重更新。其训练目标就是为神经网络寻找一组参所示，红点代表模型的初始权重0W ，等高线图代表点W ，训练的过程就是使得初始权重不断地逼近W
基于深度特征的航拍车辆检测激活函数 2.1.1 节可知，神经网络的每一个神经元对输入进行了线性操作并输出。如果不执活，则无论网络包含多少层，网络中各层均进行线性变换。这样，最终的输出可性变换来表示，这与 1 层的线性网络没有任何区别。因此神经网络通过使用激活线性因素，充分组合特征，解决线性模型所不能解决的问题，提高模型的表达能活函数的发展经历了 Sigmoid –> Tanh -> ReLU -> Leaky ReLU -> Maxout 这样的igmoid，Tanh，ReLU，Leaky ReLU 等的函数公式分别如下 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 ， 函数曲线如图 2.5 所示：
【参考文献】：
期刊论文
[1]基于条件生成式对抗网络的数据增强方法[J]. 陈文兵,管正雄,陈允杰. 计算机应用. 2018(11)
[2]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相. 中国图象图形学报. 2018(10)
[3]基于深度学习的高分辨率遥感图像车辆检测[J]. 孙秉义,文珊珊,吴昊,蔡鸿明. 东华大学学报(自然科学版). 2018(04)
[4]基于特征图的车辆检测和分类[J]. 阮航,王立春. 计算机技术与发展. 2018(11)
[5]基于半监督学习生成对抗网络的人脸还原算法研究[J]. 曹志义,牛少彰,张继威. 电子与信息学报. 2018(02)
[6]一种基于Faster R-CNN的车辆检测算法[J]. 韩凯,张红英,王远,徐敏. 西南科技大学学报. 2017(04)
[7]“无人机+交通”大势所趋[J]. 周敏. 中国公路. 2017(23)
本文编号：3481302
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
多层感知机模型
图 2.3 多层感知机模型线性方式连接包含更多的隐含层，组合成更加复杂深杂的非线性关系能够使得神经网络拥有更加强大的学拥有着比传统的算法甚至机器学习方法更好地应用效梯度下降过程又可以称为反向传播，具体可分成四个部分：前权重更新。其训练目标就是为神经网络寻找一组参所示，红点代表模型的初始权重0W ，等高线图代表点W ，训练的过程就是使得初始权重不断地逼近W
基于深度特征的航拍车辆检测激活函数 2.1.1 节可知，神经网络的每一个神经元对输入进行了线性操作并输出。如果不执活，则无论网络包含多少层，网络中各层均进行线性变换。这样，最终的输出可性变换来表示，这与 1 层的线性网络没有任何区别。因此神经网络通过使用激活线性因素，充分组合特征，解决线性模型所不能解决的问题，提高模型的表达能活函数的发展经历了 Sigmoid –> Tanh -> ReLU -> Leaky ReLU -> Maxout 这样的igmoid，Tanh，ReLU，Leaky ReLU 等的函数公式分别如下 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 ， 函数曲线如图 2.5 所示：
【参考文献】：
期刊论文
[1]基于条件生成式对抗网络的数据增强方法[J]. 陈文兵,管正雄,陈允杰. 计算机应用. 2018(11)
[2]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相. 中国图象图形学报. 2018(10)
[3]基于深度学习的高分辨率遥感图像车辆检测[J]. 孙秉义,文珊珊,吴昊,蔡鸿明. 东华大学学报(自然科学版). 2018(04)
[4]基于特征图的车辆检测和分类[J]. 阮航,王立春. 计算机技术与发展. 2018(11)
[5]基于半监督学习生成对抗网络的人脸还原算法研究[J]. 曹志义,牛少彰,张继威. 电子与信息学报. 2018(02)
[6]一种基于Faster R-CNN的车辆检测算法[J]. 韩凯,张红英,王远,徐敏. 西南科技大学学报. 2017(04)
[7]“无人机+交通”大势所趋[J]. 周敏. 中国公路. 2017(23)
本文编号：3481302
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3481302.html
