【摘 要】
：
传统视觉方案无法应对无人机降落过程中复杂的环境变化,难以实现在机载处理器上的实时图像处理。为此,提出一种适用于无人机板载端轻量高效的Onboard-YOLO算法,使用可分离卷积代替常规卷积核提升计算速度,通过注意力机制自动学习通道特征权重提高模型准确度。在运动模糊、遮挡、目标出视野、光照、尺度变化等5种干扰环境下进行降落测试,结果表明,Onboard-YOLO可以解决降落过程中的复杂环境问题,在板
【基金项目】
：
国家重点研发计划(2017YFB0404201)。
论文部分内容阅读
传统视觉方案无法应对无人机降落过程中复杂的环境变化,难以实现在机载处理器上的实时图像处理。为此,提出一种适用于无人机板载端轻量高效的Onboard-YOLO算法,使用可分离卷积代替常规卷积核提升计算速度,通过注意力机制自动学习通道特征权重提高模型准确度。在运动模糊、遮挡、目标出视野、光照、尺度变化等5种干扰环境下进行降落测试,结果表明,Onboard-YOLO可以解决降落过程中的复杂环境问题,在板载端计算速度达到18.3 frame/s,相比于原始YOLO算法、Faster-RCNN算法分别提升了4
其他文献
量子比较器是量子算法设计中的重要组成部分,其对于量子算法的物理实现具有重要意义。针对比较器的量子代价与垃圾输出优化问题,分成三个阶段提出了改进TR门级联的量子比较器设计方案:第一个阶段使用布尔逻辑推导了方案的实现,并对其进行简化;第二个阶段设计了1位的量子比较器;第三个阶段将比较器进行级联,并实现n位的一般性比较器。通过迭代式的推导证明了其正确性,对比其他文献,该设计减少了近12.6%的量子代价,同时节约了47.6%的垃圾输出。通过实验仿真,证明其可以正常运行。与其他类型比较器相比,该设计所需的量子代价与
针对传统烟花算法收敛精度低,收敛速度慢,容易陷入局部最优等问题,提出一种基于锦标赛精英学习与协方差变异的烟花算法(GLFWA-CM)。该算法在爆炸算子过程中利用核心烟花更新信息确定核心烟花在每一维上的爆炸半径,并引导核心烟花在更新方向上产生更多的爆炸火花,提高了核心烟花的搜索能力;在变异算子中用协方差变异代替原来的高斯变异,充分利用爆炸火花的信息,有效平衡了算法的局部搜索和全局搜索能力;在烟花选择过程中提出了一种基于锦标赛的精英学习策略,有效加快了算法收敛速度。在CEC2015测试函数上做仿真实验,结果表
尽管自深度学习发展以来,减少大量人工标记样本的需求使得零样本学习取得了不错的进展,以至于已经拥有比较完善的理论体系。但是对于零样本学习应用的研究寥寥无几,如何有效地对应用领域进行梳理是现阶段急需解决的问题。对零样本的理论体系进行介绍,通过一个例子引出零样本学习的定义,继而与广义零样本、监督学习比较,再而列举4个关键问题以及现有的解决方案,给出文本、图像、视频三方面常用的数据集;按照关键技术(属性、嵌入以及生成模型)出现时间顺序,对13个典型模型如何进行零样本学习展开描述,并对优点、缺点、创新点、挑选数据集
大数据环境下,磁盘数据库存在高并发I/O瓶颈,磁盘数据内存化是解决传统关系型磁盘数据库I/O瓶颈的有效方案。已有的内存化技术存在数据丢失、配置复杂等问题。基于内存数据库Redis,以典型开源关系型数据库MySQL为例,提出一种解决关系型数据库磁盘I/O瓶颈的轻量级内存化解决方案,实现MySQL的内存化存储。同时构建行式键值(RB-KVM)和分段列式键值交叉(PCB-KVCM)存储转换模型,实现异构数据库存储模型的转换和自动化数据迁移。通过分析对比,RB-KVM数据存取效率更高,而PCB-KVCM具有更高的
人体行为识别利用深度学习网络模型自动提取数据的深层特征,但传统机器学习算法存在依赖手工特征提取、模型泛化能力差等问题。提出基于空时特征融合的深度学习模型(CLT-net)用于人体行为识别。采用卷积神经网络(CNN)自动提取人体行为数据的深层次隐含特征,利用长短时记忆(LSTM)网络构建时间序列模型,学习人体行为特征在时间序列上的长期依赖关系。在此基础上,通过softmax分类器实现对不同人体行为分
针对深度确定性策略梯度算法(DDPG)收敛速度比较慢,训练不稳定,方差过大,样本应用效率低的问题,提出了一种基于随机方差减小梯度方法的深度确定性策略梯度算法(SVR-DDPG)。该算法通过利用随机方差减小梯度技术(SVRG)提出一种新的创新优化策略,将之运用到DDPG算法之中,在DDPG算法的参数更新过程中,加入了随机方差减小梯度技术,利用该方法的更新方式,使得估计的梯度方差有一个不断减小的上界,令方差不断缩小,从而在小的随机训练子集的基础上找到更加精确的梯度方向,以此来解决了由近似梯度估计误差引发的问题
供应链管理面临诸多挑战:保证产品信息的完整性、真实性和透明度;上下游企业之间的信任管理;企业交互过程中的隐私保护等等。而伴随区块链技术的问世,其为供应链的诸多挑战提供了完美的解决方案,但是依旧存在一些挑战。该文对区块链在供应链管理中的应用进行了系统化的综述分析;论述了当前供应链管理的技术与实施面临的问题,在此基础上分析了传统解决方案的不足以及区块链技术的相关优势。系统阐述了当前区块链主流的应用框架与原理,比较各个技术之间的差异。对不同行业的供应链进行了系统的分析,全面阐述了近年来区块链在不同行业供应链管理
神经风格迁移技术主要用于对图像、视频等进行风格化,使其具有艺术美感,该领域极具应用价值,是人工智能的热门研究领域之一。为推动神经风格迁移领域的研究发展,对神经风格迁移技术进行了全面概述。简述了非真实感渲染技术和传统的纹理迁移技术。对现有神经风格迁移模型进行了分类整理,并详细探讨了各类代表性模型的算法原理及后续改进,分析了神经风格迁移技术的应用市场。提出对风格迁移模型质量的评判应该从定性评估和定量评
基于网络的入侵检测技术作为一种重要的安全防护手段,对及时发现网络攻击行为起着重要的作用。目前,采用特征工程的机器学习算法是检测分析网络入侵的常用方法,但是人工设计的特征往往会丢失有效载荷的重要信息;另外,网络攻击流量中的不同数据包信息在入侵检测中所起的作用是不同的,而现有算法大都对重要信息的捕捉能力不足。针对上述问题,提出了一种新的深度学习模型L2-AMNN,无需复杂的特征工程,直接提取原始网络流量的有效载荷数据作为样本,在双向长短时记忆神经网络基础上,引入双层注意力机制,捕获关键字节信息和数据包信息,生
针对基于孪生网络的小样本调制识别算法存在相似识别类别混淆的问题,提出一种基于网络度量的三分支孪生网络调制识别算法。通过三分支孪生神经网络(Triplet Siamese Neural Network,TSN)将输入三元样本组的原始特征映射至特征子空间中。将正负样本与参考样本特征并联输入至两个参数共享的关系网络(Relation Network,RN),学习一个非线性的度量函数。通过各个类别的特征向量生成各类别的类原型,作为测试过程中的类特征输入。为降低信道噪声和信号接收误差对均值类原型表达的影响,采用局部