發(fā)布時間：2021-11-07 05:59

　　近年來,隨著中國經(jīng)濟的快速發(fā)展,城市化發(fā)展迅速,城市車輛日益增多,交通網(wǎng)絡也日益復雜。與此同時,智能交通的理念應運而生。伴隨著無人機技術的進步,結合無人機的航拍車輛檢測技術有著越來越多的應用場景。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,而一般的深度學習檢測方法在召回率和精確率上效果一般,同時大量的標注數(shù)據(jù)也是一個問題。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,并通過無人機航拍的方式建立了一個南京航拍車輛數(shù)據(jù)集進行研究。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目標檢測框架針對航拍圖像中小目標車輛的檢測設計了一種超特征層方法。在VGG16特征提取網(wǎng)絡的基礎上,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,并結合這兩個模型得到了最終的超特征層。同時,基于航拍車輛的大小特點,改進了RPN網(wǎng)絡中的anchor框生成。實驗表明,我們的方法在航拍車輛... 

【文章來源】：南京航空航天大學江蘇省 211工程院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

多層感知機模型

圖 2.3 多層感知機模型線性方式連接包含更多的隱含層，組合成更加復雜深雜的非線性關系能夠使得神經(jīng)網(wǎng)絡擁有更加強大的學擁有著比傳統(tǒng)的算法甚至機器學習方法更好地應用效梯度下降過程又可以稱為反向傳播，具體可分成四個部分：前權重更新。其訓練目標就是為神經(jīng)網(wǎng)絡尋找一組參所示，紅點代表模型的初始權重0W ，等高線圖代表點W ，訓練的過程就是使得初始權重不斷地逼近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)絡的每一個神經(jīng)元對輸入進行了線性操作并輸出。如果不執(zhí)活，則無論網(wǎng)絡包含多少層，網(wǎng)絡中各層均進行線性變換。這樣，最終的輸出可性變換來表示，這與 1 層的線性網(wǎng)絡沒有任何區(qū)別。因此神經(jīng)網(wǎng)絡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】：
期刊論文
[1]基于條件生成式對抗網(wǎng)絡的數(shù)據(jù)增強方法[J]. 陳文兵,管正雄,陳允杰.  計算機應用. 2018(11)
[2]生成式對抗網(wǎng)絡及其計算機視覺應用研究綜述[J]. 曹仰杰,賈麗麗,陳永霞,林楠,李學相.  中國圖象圖形學報. 2018(10)
[3]基于深度學習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.  東華大學學報(自然科學版). 2018(04)
[4]基于特征圖的車輛檢測和分類[J]. 阮航,王立春.  計算機技術與發(fā)展. 2018(11)
[5]基于半監(jiān)督學習生成對抗網(wǎng)絡的人臉還原算法研究[J]. 曹志義,牛少彰,張繼威.  電子與信息學報. 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,徐敏.  西南科技大學學報. 2017(04)
[7]“無人機+交通”大勢所趨[J]. 周敏.  中國公路. 2017(23)



本文編號：3481302