CN117830883B - 一种无人机的瞄准方法 - Google Patents
一种无人机的瞄准方法 Download PDFInfo
- Publication number
- CN117830883B CN117830883B CN202410239660.9A CN202410239660A CN117830883B CN 117830883 B CN117830883 B CN 117830883B CN 202410239660 A CN202410239660 A CN 202410239660A CN 117830883 B CN117830883 B CN 117830883B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- parameter
- aerial vehicle
- representing
- search
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 238000010845 search algorithm Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 49
- 210000000349 chromosome Anatomy 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000010287 polarization Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人机的瞄准方法,属于无人机技术领域,通过设置搜索区域以及规划扫描路线,可以使无人机在固定区域内对目标进行搜索追踪,并且在目标识别模型搜索到目标之后,自动实现目标的瞄准,从而实现了现实中的目标实现动态搜索追踪;同时,提供了一种信息交互搜索算法,能够有效地实现目标识别模型的优化,从而使目标识别模型能够准确地识别目标,从而实现精准的目标瞄准。
Description
技术领域
本发明属于无人机技术领域,具体涉及一种无人机的瞄准方法。
背景技术
无人机的目标识别追踪算法是建立在目标检测的基础上,通过无人机对包含目标的图像进行采集,然后对采集的图像进行识别,从而可以获取目标识别结果。传统的目标识别,主要先对图像提取一定量的人工特征后用数学模型表达此图像,然后通过分类器来对图像进行识别。随着人工智能的发展,深度学习的不断突破,在语音识别、自然语言处理、计算机视觉、视频分析以及多媒体等领域都取得了巨大成功。
虽然现有技术中无人机目标识别追踪,但是往往是通过无人机对静态图像中的目标进行识别,并不能对现实中的目标实现动态搜索追踪。
发明内容
本发明提供一种无人机的瞄准方法,用以解决现有技术仅对静态图像中的目标进行追踪识别,不能对现实中的目标实现动态搜索追踪的问题。
一种无人机的瞄准方法,包括:
确定无人机的扫描区域以及扫描路线,并控制无人机按照扫描路线在扫描区域内进行飞行,并同时初始化无人机的镜头方位;
在无人机按照扫描路线在扫描区域内开始搜索时,控制无人机对视频帧进行实时采样,得到实时视频帧;
通过无人机上预先部署的目标识别模型对实时视频帧进行识别,以获取目标识别结果;所述目标识别结果包括存在预设目标或不存在预设目标;
当所述目标识别结果为存在预设目标时,获取无人机当前飞行姿态,并根据无人机当前飞行姿态以及无人机的镜头方位,执行无人机的瞄准操作。
进一步地,确定无人机的扫描区域以及扫描路线,并控制无人机按照扫描路线在扫描区域内进行飞行,包括:
获取工作人员对应的终端设备所传输的扫描区域确定指令,根据扫描区域确定指令在电子地图上确定扫描区域,所述扫描区域为一个或者多个;
针对每个扫描区域,按照无人机的扫描宽度,将扫描区域划分为多个列,得到多个子扫描区域;
以每个子扫描区域的中心线为基础,确定中心线两端点的位置信息,并根据两端点的位置信息确定中心线的中心位置信息,同时获取用于管理无人机的地面站中存储的无人机的数量以及位置信息;
从所有中心线的中心位置信息中确定与无人机数量相同的聚类中心,并将每个中心位置信息归类于聚类中心中;
对聚类中心进行更新,直至聚类中心不再变化,得到多个聚类,每个聚类用于表征一个无人机的搜索区域,每个搜索区域包括至少一个子扫描区域;
将多个无人机的位置信息按远近顺序排列,并将多个搜索区域随机排列,组成染色体,得到位置信息按顺序排列的无人机对应的搜索区域;相同序号的无人机的位置信息与搜索区域为对应关系;
随机产生N条染色体,并确定每条染色体的对应的适应度,所述适应度用于表征各无人机到其对应的搜索区域之间的最短距离之和;
根据每条染色体对应的适应度,确定最佳适应度,并判断是否N次迭代中最佳适应度不再变化,若是,则确定最佳适应度对应的染色体为无人机的匹配关系,否则对染色体执行交叉以及变异操作,产生新的染色体,将新的染色体与原有的染色体中适应度值最大的M条染色体保留,并进行下一次迭代,直至N次迭代中最佳适应度不再变化,并确定最佳适应度对应的染色体为无人机的匹配关系;
根据无人机的匹配关系,控制无人机按照扫描路线在扫描区域内进行救援搜索。
进一步地,初始化无人机的镜头方位,包括:
将无人机的镜头方位归零;其中,归零用于表征将无人机镜头的俯仰角以及极化角归零,此时无人机的镜头正对其正前方;
或者,以无人机的归零位置为基础,确定无人机的当前俯仰角以及极化角,得到无人机的镜头位置。
进一步地,在无人机按照扫描路线在扫描区域内开始搜索时,控制无人机对视频帧进行实时采样,得到实时视频帧,包括:
在无人机按照扫描路线在扫描区域内开始搜索时,控制无人机按照预设数据采样频率对视频真进行实时采样,得到实时视频帧。
进一步地,所述无人机上预先部署的目标识别模型设置为YOLO智能检测模型。
进一步地,无人机上的目标识别模型对应的预先部署方法,包括:
在目标识别模型中每一维超参数上限与超参数下限之间对超参数进行随机初始化,得到目标识别模型的所有超参数,将目标识别模型的所有超参数组装为向量,得到参数编码,并获取多个互不相同的参数编码;
构建目标识别模型所对应的损失函数,并根据所述损失函数确定每个参数编码所对应的损失函数值,并根据所述损失函数值确定最优参数编码;
以所述最优参数编码为基础,采用信息交互搜索算法对每个参数编码进行优化,得到优化之后的参数编码;
判断当前是否满足迭代结束条件,若是,则根据所述损失函数确定每个优化之后的参数编码所对应的损失函数值,并根据优化之后的参数编码所对应的损失函数值重新确定最优参数编码,并输出最优参数编码,否则根据所述损失函数确定每个优化之后的参数编码所对应的损失函数值,并根据优化之后的参数编码所对应的损失函数值重新确定最优参数编码,并返回采用信息交互搜索算法对每个参数编码进行优化的步骤;
将最优参数编码进行解码,以获取目标识别模型的超参数,并根据所述目标识别模型的超参数对目标识别模型进行预先部署。
进一步地,构建目标识别模型所对应的损失函数,包括:
其中,表示损失函数,/>表示定位损失所占权重,S表示视频帧的网格数,B表示视频帧中每个网格的预测框数量,/>表示定位损失;/>表示第一系数,/>表示第二系数;针对在视频帧中第i个网格的第j个预测框,当该预测框与期望输出图像中对应的实际框之间的IoU值大于给定阈值时,IoU值最大的预测框作为正样本,其对应的第一系数/>为1,第二系数/>为0,其他预测框对应的第一系数/>以及第二系数/>均为0;当所有的预测框与期望输出图像中对应的实际框之间的IoU值小于给定阈值时,则所有预测框对应的第一系数/>以及第二系数/>均为0;/>表示预测框对应的预测置信度,/>表示实际框对应的实际置信度,/>表示第一惩罚系数,/>表示第二惩罚系数,classes表示类别集合,/>表示视频帧中第i个网格的第j个预测框输出的属于类别c的概率,/>表示真实属于类别c的概率。
进一步地,以所述最优参数编码为基础,采用信息交互搜索算法对每个参数编码进行优化,得到优化之后的参数编码,包括:
以所述最优参数编码为基础,采用历史信息与当前信息融合搜索策略对每个参数编码进行搜索,得到一次搜索之后的参数编码;
针对一次搜索之后的参数编码,采用历史信息记忆搜索策略对每个参数编码进行搜索,得到二次搜索之后的参数编码;
针对二次搜索之后的参数编码,以当前最优参数编码所在位置为基础,采用全局跳跃搜索策略对二次搜索之后的参数编码进行搜索,得到优化之后的参数编码。
进一步地,以所述最优参数编码为基础,采用历史信息与当前信息融合搜索策略对每个参数编码进行搜索,得到一次搜索之后的参数编码,包括:
根据最优参数编码,采用历史信息与当前信息融合搜索策略对每个参数编码进行搜索,以获取参数编码的搜索量为:
其中,表示第t次训练过程中第i个参数编码中第d维参数,i=1,2,...,I,I表示参数编码的总数,/>表示第t次训练过程中的搜索量,/>表示惯性权重,/>表示第t-1次训练过程中的搜索量,/>表示更新控制系数,/>表示(0,1)之间的随机数,/>表示/>对应的历史最优值所对应的第d维参数,/>表示最优参数编码对应的第d维参数;
根据所述参数编码的搜索量,获取一次搜索之后的参数编码为:
其中,表示更新后的/>,即一次搜索之后的参数编码;
针对一次搜索之后的参数编码,采用历史信息记忆搜索策略对每个参数编码进行搜索,得到二次搜索之后的参数编码,包括:
其中,表示第t次训练过程中一次搜索之后的第i个参数编码中第d维参数,j=1,2,...,I;/>表示更新后的/>,即二次搜索之后的参数编码,/>表示第t-1次训练过程中一次搜索之后的第i个参数编码中第d维参数,/>表示第t-2次训练过程中一次搜索之后的第i个参数编码中第d维参数,/>表示第t-3次训练过程中一次搜索之后的第i个参数编码中第d维参数,/>表示调整系数;
针对二次搜索之后的参数编码,以当前最优参数编码所在位置为基础,采用全局跳跃搜索策略对二次搜索之后的参数编码进行搜索,得到优化之后的参数编码,包括:
其中,表示第t次训练过程中二次搜索之后的第i个参数编码中第d维参数,m=1,2,...,I;/>表示更新后的/>,即优化之后的参数编码;/>表示跳跃个体中第d维参数,/>表示上限值/>与下限值/>之间的随机系数,/>表示[-1,1]之间的随机数,/>表示圆周率,/>表示[-1,1]之间的随机数,/>表示第一中间参数,/>表示随机个体中第d维参数,/>表示第一随机飞行系数,/>表示第二随机飞行系数,/>表示(0,2]之间的随机数,且/>与/>服从正态分布,即/>,/>;/>表示第二中间参数,且,/>表示伽马函数,/>表示第一中间参数的最大值,/>表示第一中间参数的最小值,T表示最大训练次数。
进一步地,当所述目标识别结果为存在预设目标时,获取无人机当前飞行姿态,并根据无人机当前飞行姿态以及无人机的镜头方位,执行无人机的瞄准操作,包括:
当所述目标识别结果为存在预设目标时,获取无人机当前飞行姿态;其中,所述无人机当前飞行姿态包括无人机的朝向以及高度;
调整无人机当前飞行姿态以及无人机的镜头方位,使预设目标所对应的像素坐标所对应的均值坐标与像素原点最近,实现无人机的瞄准操作;
其中,像素原点用于表征实时视频帧的中心点,预设目标所对应的像素坐标所对应的均值坐标用于表征预设目标包含的所有像素点对应的坐标求均值。
本发明提供的一种无人机的瞄准方法,通过设置搜索区域以及规划扫描路线,可以使无人机在固定区域内对目标进行搜索追踪,并且在目标识别模型搜索到目标之后,自动实现目标的瞄准,从而实现了现实中的目标实现动态搜索追踪;同时,提供了一种信息交互搜索算法,能够有效地实现目标识别模型的优化,从而使目标识别模型能够准确地识别目标,从而实现精准的目标瞄准。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明实施例提供的一种无人机的瞄准方法的流程图。
图2为本发明实施例提供的扫描路线的示意图。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
下面结合附图详细说明本发明的实施例。
如图1所示,本发明实施例提供一种无人机的瞄准方法,包括:
S101、确定无人机的扫描区域以及扫描路线,并控制无人机按照扫描路线在扫描区域内进行飞行,并同时初始化无人机的镜头方位。
扫描区域可以是工作人员在电子地图上圈定的封闭区域,在圈定封闭区域之后,自动为无人机规划扫描路线,从而可以使无人机自动实现目标搜索以及目标锁定。
为了便于后续实现对目标的锁定,需要先知道无人机的镜头方位,从而可以在后续根据无人机的镜头方位进行视角调整,从而实现目标瞄准。
S102、在无人机按照扫描路线在扫描区域内开始搜索时,控制无人机对视频帧进行实时采样,得到实时视频帧。
在本发明实施例中,在无人机按照扫描路线在扫描区域内开始搜索时,控制无人机对视频帧进行实时采样,得到实时视频帧,包括:
在无人机按照扫描路线在扫描区域内开始搜索时,控制无人机按照预设数据采样频率对视频真进行实时采样,得到实时视频帧。
需要说明的是,无人机在进行数据采集时需要消耗能源,如果采集频率过高,会导致能源的过度消耗,同时能够有效地增加目标追踪以及锁定效果。通过设置较低的采集频率,可以减少能源的使用,并延长无人机的工作时间,但是目标追踪效果也会随之下降。
S103、通过无人机上预先部署的目标识别模型对实时视频帧进行识别,以获取目标识别结果。所述目标识别结果包括存在预设目标或不存在预设目标。
目标识别模型可以通过极其学习模型构建,通过对实时视频帧进行识别,能够有效地确定当前扫描区域是否存在目标,若识别到目标,则可以进行瞄准。
S104、当所述目标识别结果为存在预设目标时,获取无人机当前飞行姿态,并根据无人机当前飞行姿态以及无人机的镜头方位,执行无人机的瞄准操作。
当根据无人机当前飞行姿态以及无人机的镜头方位,执行无人机的瞄准操作,可以启用目标追踪策略,提高无人机的瞄准频率,从而实现对现实目标的实时跟踪。
本发明提供的一种无人机的瞄准方法,通过设置搜索区域以及规划扫描路线,可以使无人机在固定区域内对目标进行搜索追踪,并且在目标识别模型搜索到目标之后,自动实现目标的瞄准,从而实现了现实中的目标实现动态搜索追踪。同时,提供了一种信息交互搜索算法,能够有效地实现目标识别模型的优化,从而使目标识别模型能够准确地识别目标,从而实现精准的目标瞄准。
在本发明实施例中,确定无人机的扫描区域以及扫描路线,并控制无人机按照扫描路线在扫描区域内进行飞行,包括:
S101.1、获取工作人员对应的终端设备所传输的扫描区域确定指令,根据扫描区域确定指令在电子地图上确定扫描区域,所述扫描区域为一个或者多个。
S101.2、针对每个扫描区域,按照无人机的扫描宽度,将扫描区域划分为多个列,得到多个子扫描区域。
S101.3、以每个子扫描区域的中心线为基础,确定中心线两端点的位置信息,并根据两端点的位置信息确定中心线的中心位置信息,同时获取用于管理无人机的地面站中存储的无人机的数量以及位置信息。
每列的子扫描区域的宽度都是无人机的搜索宽度,因此沿中心线飞行,即可完成一个子扫描区域的扫描。中心线的两个端点就是无人机在子扫描区域内的飞行起点和终点,而起点和终端均位于扫描区域的边上,到达终点时,沿扫描区域的边飞行至下一个子扫描区域的中心线的一个端点上,对下一个子扫描区域进行扫描。同时无人机可以在不同的位置起飞,通过对无人机位置信息进行确定,从而实现扫描区域的划分。
S101.4、从所有中心线的中心位置信息中确定与无人机数量相同的聚类中心,并将每个中心位置信息归类于聚类中心中。
S101.5、对聚类中心进行更新,直至聚类中心不再变化,得到多个聚类,每个聚类用于表征一个无人机的搜索区域,每个搜索区域包括至少一个子扫描区域。
S101.6、将多个无人机的位置信息按远近顺序排列,并将多个搜索区域随机排列,组成染色体,得到位置信息按顺序排列的无人机对应的搜索区域,相同序号的无人机的位置信息与搜索区域为对应关系。
为了便于理解本发明实施例,下面通过实例对本发明扫描区域的匹配过程进行解释,存在三架无人机,分别编号为F1、F2以及F3,扫描区域编号分别为S1、S2以及S3,初始时刻F1、F2以及F3分别与S1、S2以及S3一一对应,改变一一对应关系,即可改变匹配关系。
S101.7、随机产生N条染色体,并确定每条染色体的对应的适应度,所述适应度用于表征各无人机到其对应的搜索区域之间的最短距离之和。
S101.8、根据每条染色体对应的适应度,确定最佳适应度,并判断是否N次迭代中最佳适应度不再变化,若是,则确定最佳适应度对应的染色体为无人机的匹配关系,否则对染色体执行交叉以及变异操作,产生新的染色体,将新的染色体与原有的染色体中适应度值最大的M条染色体保留,并进行下一次迭代,直至N次迭代中最佳适应度不再变化,并确定最佳适应度对应的染色体为无人机的匹配关系。
S101.9、根据无人机的匹配关系,控制无人机按照扫描路线在扫描区域内进行救援搜索。
如图2所示,为了使本领域技术人员能够更加了解本发明实施例的构思,可以参照图2来理解扫描路线的确定过程。当无人机飞行高度固定时,其扫描宽度(即摄像头垂直向下时,扫描的宽度)是固定的,按照安全覆盖搜索的原则,按照扫描宽度将扫描区域划分为多个列,从而得到多个子扫描区域。当无人机沿着每列对应的子扫描区域的中心线飞行时,就可以完成子扫描区域的扫描。然后无人机按照S形路线飞行,就可以完成多个相邻的子扫描区域的扫描。
在本发明实施例中,初始化无人机的镜头方位,包括:
将无人机的镜头方位归零;其中,归零用于表征将无人机镜头的俯仰角以及极化角归零,此时无人机的镜头正对其正前方;
或者,以无人机的归零位置为基础,确定无人机的当前俯仰角以及极化角,得到无人机的镜头位置。
在本发明实施例中,所述无人机上预先部署的目标识别模型设置为YOLO智能检测模型。值得说明的是,YOLO智能检测模型仅仅是本发明实施例中的优选方式,还可以采用其他机器学习模型作为目标识别模型,并且本发明实施例仅对YOLO进行使用,且仅对改进部分进行描述,还可以设置其他必要的操作步骤以及模型,从而有效地实现YOLO检测功能或者提升YOLO检测效果。
在本发明实施例中,无人机上的目标识别模型对应的预先部署方法,包括:
在目标识别模型中每一维超参数上限与超参数下限之间对超参数进行随机初始化,得到目标识别模型的所有超参数,将目标识别模型的所有超参数组装为向量,得到参数编码,并获取多个互不相同的参数编码;
例如,可以对权重参数进行编码,从而可以得到参数编码,通过对参数编码组成的解空间进行搜索,可以有效地提升目标识别模型的检测能力。
构建目标识别模型所对应的损失函数,并根据所述损失函数确定每个参数编码所对应的损失函数值,并根据所述损失函数值确定最优参数编码。
根据所述损失函数值确定最优参数编码,可以包括:确定损失函数值最小的参数编码为最优参数编码。
以所述最优参数编码为基础,采用信息交互搜索算法对每个参数编码进行优化,得到优化之后的参数编码。
在现有技术中,常常使用梯度下降法对机器学习模型的参数进行更新,但是梯度下降法容易陷入局部最优中,从而使机器学习模型的性能不能够完全发挥。因此,本发明实施例提供一种信息交互搜索算法,利用不同参数编码之间的信息,可以实现全局粗搜索以及局部精细搜索,提升优化效果,最终机器学习模型的性能释放效果。
判断当前是否满足迭代结束条件(如:当前训练次数达到最大训练次数),若是,则根据所述损失函数确定每个优化之后的参数编码所对应的损失函数值,并根据优化之后的参数编码所对应的损失函数值重新确定最优参数编码,并输出最优参数编码,否则根据所述损失函数确定每个优化之后的参数编码所对应的损失函数值,并根据优化之后的参数编码所对应的损失函数值重新确定最优参数编码,并返回采用信息交互搜索算法对每个参数编码进行优化的步骤;
将最优参数编码进行解码,以获取目标识别模型的超参数,并根据所述目标识别模型的超参数对目标识别模型进行预先部署。
在本发明实施例中,构建目标识别模型所对应的损失函数,包括:
其中,表示损失函数,/>表示定位损失所占权重,S表示视频帧的网格数,B表示视频帧中每个网格的预测框数量,/>表示定位损失;/>表示第一系数,/>表示第二系数;针对在视频帧中第i个网格的第j个预测框,当该预测框与期望输出图像中对应的实际框之间的IoU值大于给定阈值时,IoU值最大的预测框作为正样本,其对应的第一系数/>为1,第二系数/>为0,其他预测框对应的第一系数/>以及第二系数/>均为0;当所有的预测框与期望输出图像中对应的实际框之间的IoU值小于给定阈值时,则所有预测框对应的第一系数/>以及第二系数/>均为0;/>表示预测框对应的预测置信度,/>表示实际框对应的实际置信度,/>表示第一惩罚系数,/>表示第二惩罚系数,classes表示类别集合,/>表示视频帧中第i个网格的第j个预测框输出的属于类别c的概率,/>表示真实属于类别c的概率。
在本发明实施例中,以所述最优参数编码为基础,采用信息交互搜索算法对每个参数编码进行优化,得到优化之后的参数编码,包括:
以所述最优参数编码为基础,采用历史信息与当前信息融合搜索策略对每个参数编码进行搜索,得到一次搜索之后的参数编码;
针对一次搜索之后的参数编码,采用历史信息记忆搜索策略对每个参数编码进行搜索,得到二次搜索之后的参数编码;
针对二次搜索之后的参数编码,以当前最优参数编码所在位置为基础,采用全局跳跃搜索策略对二次搜索之后的参数编码进行搜索,得到优化之后的参数编码。
在本发明实施例中,以所述最优参数编码为基础,采用历史信息与当前信息融合搜索策略对每个参数编码进行搜索,得到一次搜索之后的参数编码,包括:
根据最优参数编码,采用历史信息与当前信息融合搜索策略对每个参数编码进行搜索,以获取参数编码的搜索量为:
其中,表示第t次训练过程中第i个参数编码中第d维参数,i=1,2,...,I,I表示参数编码的总数,/>表示第t次训练过程中的搜索量,/>表示惯性权重,/>表示第t-1次训练过程中的搜索量,/>表示更新控制系数,/>表示(0,1)之间的随机数,/>表示/>对应的历史最优值所对应的第d维参数,/>表示最优参数编码对应的第d维参数;
根据所述参数编码的搜索量,获取一次搜索之后的参数编码为:
其中,表示更新后的/>,即一次搜索之后的参数编码。
在本发明实施例中,可以将设置为随训练次数而变化的参数,如,/>表示更新控制系数的预设最大值,/>表示更新控制系数的预设最小值,/>表示训练次数,T表示最大训练次数。
通过上述历史信息与当前信息融合搜索策略,能够有效地利用较好的位置信息,并且在算法前期具备较好的搜索能力,在算法的后期具备较好的收敛能力,从而可以有效地提升搜索精度。
针对一次搜索之后的参数编码,采用历史信息记忆搜索策略对每个参数编码进行搜索,得到二次搜索之后的参数编码,包括:
其中,表示第t次训练过程中一次搜索之后的第i个参数编码中第d维参数,j=1,2,...,I;/>表示更新后的/>,即二次搜索之后的参数编码,/>表示第t-1次训练过程中一次搜索之后的第i个参数编码中第d维参数,/>表示第t-2次训练过程中一次搜索之后的第i个参数编码中第d维参数,/>表示第t-3次训练过程中一次搜索之后的第i个参数编码中第d维参数,/>表示调整系数;
在训练前期,历史信息记忆搜索策略凭借记忆特性,可以提升算法的探索能力,随迭代次数增加,调整系数不断减小,有利于后期算法开发。因此结合调整系数自适应调整的二级搜索策略,可以增强种群多样性,提高算法的收敛速度,获得的高质量的解。
可选的,调整系数可以设置为:
其中,e表示自然常数,T表示最大训练次数,通过设置变动的调整系数,能够有效地平衡算法的全局搜索以及精细搜索能力,从而在算法后期提高收敛精度,结合历史信息与当前信息融合搜索策略,能够有效地实现局部区域搜索。
针对二次搜索之后的参数编码,以当前最优参数编码所在位置为基础,采用全局跳跃搜索策略对二次搜索之后的参数编码进行搜索,得到优化之后的参数编码,包括:
其中,表示第t次训练过程中二次搜索之后的第i个参数编码中第d维参数,m=1,2,...,I;/>表示更新后的/>,即优化之后的参数编码;/>表示跳跃个体中第d维参数,/>表示上限值/>与下限值/>之间的随机系数,/>表示[-1,1]之间的随机数,/>表示圆周率,/>表示[-1,1]之间的随机数,/>表示第一中间参数,/>表示随机个体中第d维参数,/>表示第一随机飞行系数,/>表示第二随机飞行系数,/>表示(0,2]之间的随机数,且/>与/>服从正态分布,即/>,/>;/>表示第二中间参数,且,/>表示伽马函数,/>表示第一中间参数的最大值,/>表示第一中间参数的最小值,T表示最大训练次数。
虽然上述两个搜索策略具备一定的全局搜索能力,但是全局搜索能力不强,因此本发明实施例还提供一种全局跳跃搜索策略对参数编码进行搜索,从而可以有效地提升算法搜索能力。
可选的,在全局跳跃搜索策略执行过程中,对于损失函数值较小的前90%参数编码,可以仅在其损失函数值减小的情况下,才接受更新,否则拒绝更新,从而可以有效地避免算法优化效果减弱。
值得说明的是,当参数编码发生变化时,应该对其进行越界处理,以避免超限的情况发生。
在本发明实施例中,当所述目标识别结果为存在预设目标时,获取无人机当前飞行姿态,并根据无人机当前飞行姿态以及无人机的镜头方位,执行无人机的瞄准操作,包括:
当所述目标识别结果为存在预设目标时,获取无人机当前飞行姿态;其中,所述无人机当前飞行姿态包括无人机的朝向以及高度;
调整无人机当前飞行姿态以及无人机的镜头方位,使预设目标所对应的像素坐标所对应的均值坐标与像素原点最近,实现无人机的瞄准操作;
其中,像素原点用于表征实时视频帧的中心点,预设目标所对应的像素坐标所对应的均值坐标用于表征预设目标包含的所有像素点对应的坐标求均值。
可选的,调整无人机当前飞行姿态以及无人机的镜头方位可以包括:先调整无人机的镜头方位,使预设目标所对应的像素坐标所对应的均值坐标与像素原点最近;预设目标所对应的像素坐标可以为目标预测框的像素坐标,以视频帧中心为原点的话,由于目标预设框一般为正方形,那么均值坐标应当与像素原点重合。为了避免误差的情况发生,可以设置误差阈值,当预设目标所对应的像素坐标所对应的均值坐标与像素原点之间的距离小于误差阈值之后,即可认为已经瞄准。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述事实和方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,涉及的程序或者所述的程序可以存储于一计算机所可读取存储介质中,该程序在执行时,包括如下步骤:此时引出相应的方法步骤,所述的存储介质可以是ROM/RAM、磁碟、光盘等等。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种无人机的瞄准方法,其特征在于,包括:
确定无人机的扫描区域以及扫描路线,并控制无人机按照扫描路线在扫描区域内进行飞行,并同时初始化无人机的镜头方位;
在无人机按照扫描路线在扫描区域内开始搜索时,控制无人机对视频帧进行实时采样,得到实时视频帧;
通过无人机上预先部署的目标识别模型对实时视频帧进行识别,以获取目标识别结果;所述目标识别结果包括存在预设目标或不存在预设目标;
当所述目标识别结果为存在预设目标时,获取无人机当前飞行姿态,并根据无人机当前飞行姿态以及无人机的镜头方位,执行无人机的瞄准操作;
确定无人机的扫描区域以及扫描路线,并控制无人机按照扫描路线在扫描区域内进行飞行,包括:
获取工作人员对应的终端设备所传输的扫描区域确定指令,根据扫描区域确定指令在电子地图上确定扫描区域,所述扫描区域为一个或者多个;
针对每个扫描区域,按照无人机的扫描宽度,将扫描区域划分为多个列,得到多个子扫描区域;
以每个子扫描区域的中心线为基础,确定中心线两端点的位置信息,并根据两端点的位置信息确定中心线的中心位置信息,同时获取用于管理无人机的地面站中存储的无人机的数量以及位置信息;
从所有中心线的中心位置信息中确定与无人机数量相同的聚类中心,并将每个中心位置信息归类于聚类中心中;
对聚类中心进行更新,直至聚类中心不再变化,得到多个聚类,每个聚类用于表征一个无人机的搜索区域,每个搜索区域包括至少一个子扫描区域;
将多个无人机的位置信息按远近顺序排列,并将多个搜索区域随机排列,组成染色体,得到位置信息按顺序排列的无人机对应的搜索区域;相同序号的无人机的位置信息与搜索区域为对应关系;
随机产生N条染色体,并确定每条染色体的对应的适应度,所述适应度用于表征各无人机到其对应的搜索区域之间的最短距离之和;
根据每条染色体对应的适应度,确定最佳适应度,并判断是否N次迭代中最佳适应度不再变化,若是,则确定最佳适应度对应的染色体为无人机的匹配关系,否则对染色体执行交叉以及变异操作,产生新的染色体,将新的染色体与原有的染色体中适应度值最大的M条染色体保留,并进行下一次迭代,直至N次迭代中最佳适应度不再变化,并确定最佳适应度对应的染色体为无人机的匹配关系;
根据无人机的匹配关系,控制无人机按照扫描路线在扫描区域内进行救援搜索。
2.根据权利要求1所述的无人机的瞄准方法,其特征在于,初始化无人机的镜头方位,包括:
将无人机的镜头方位归零;其中,归零用于表征将无人机镜头的俯仰角以及极化角归零,此时无人机的镜头正对其正前方;
或者,以无人机的归零位置为基础,确定无人机的当前俯仰角以及极化角,得到无人机的镜头位置。
3.根据权利要求2所述的无人机的瞄准方法,其特征在于,在无人机按照扫描路线在扫描区域内开始搜索时,控制无人机对视频帧进行实时采样,得到实时视频帧,包括:
在无人机按照扫描路线在扫描区域内开始搜索时,控制无人机按照预设数据采样频率对视频真进行实时采样,得到实时视频帧。
4.根据权利要求1所述的无人机的瞄准方法,其特征在于,所述无人机上预先部署的目标识别模型设置为YOLO智能检测模型。
5.根据权利要求4所述的无人机的瞄准方法,其特征在于,无人机上的目标识别模型对应的预先部署方法,包括:
在目标识别模型中每一维超参数上限与超参数下限之间对超参数进行随机初始化,得到目标识别模型的所有超参数,将目标识别模型的所有超参数组装为向量,得到参数编码,并获取多个互不相同的参数编码;
构建目标识别模型所对应的损失函数,并根据所述损失函数确定每个参数编码所对应的损失函数值,并根据所述损失函数值确定最优参数编码;
以所述最优参数编码为基础,采用信息交互搜索算法对每个参数编码进行优化,得到优化之后的参数编码;
判断当前是否满足迭代结束条件,若是,则根据所述损失函数确定每个优化之后的参数编码所对应的损失函数值,并根据优化之后的参数编码所对应的损失函数值重新确定最优参数编码,并输出最优参数编码,否则根据所述损失函数确定每个优化之后的参数编码所对应的损失函数值,并根据优化之后的参数编码所对应的损失函数值重新确定最优参数编码,并返回采用信息交互搜索算法对每个参数编码进行优化的步骤;
将最优参数编码进行解码,以获取目标识别模型的超参数,并根据所述目标识别模型的超参数对目标识别模型进行预先部署。
6.根据权利要求5所述的无人机的瞄准方法,其特征在于,构建目标识别模型所对应的损失函数,包括:
其中,表示损失函数,/>表示定位损失所占权重,S表示视频帧的网格数,B表示视频帧中每个网格的预测框数量,/>表示定位损失;/>表示第一系数,/>表示第二系数;针对在视频帧中第i个网格的第j个预测框,当该预测框与期望输出图像中对应的实际框之间的IoU值大于给定阈值时,IoU值最大的预测框作为正样本,其对应的第一系数/>为1,第二系数/>为0,其他预测框对应的第一系数/>以及第二系数/>均为0;当所有的预测框与期望输出图像中对应的实际框之间的IoU值小于给定阈值时,则所有预测框对应的第一系数以及第二系数/>均为0;/>表示预测框对应的预测置信度,/>表示实际框对应的实际置信度,/>表示第一惩罚系数,/>表示第二惩罚系数,classes表示类别集合,/>表示视频帧中第i个网格的第j个预测框输出的属于类别c的概率,/>表示真实属于类别c的概率。
7.根据权利要求6所述的无人机的瞄准方法,其特征在于,以所述最优参数编码为基础,采用信息交互搜索算法对每个参数编码进行优化,得到优化之后的参数编码,包括:
以所述最优参数编码为基础,采用历史信息与当前信息融合搜索策略对每个参数编码进行搜索,得到一次搜索之后的参数编码;
针对一次搜索之后的参数编码,采用历史信息记忆搜索策略对每个参数编码进行搜索,得到二次搜索之后的参数编码;
针对二次搜索之后的参数编码,以当前最优参数编码所在位置为基础,采用全局跳跃搜索策略对二次搜索之后的参数编码进行搜索,得到优化之后的参数编码。
8.根据权利要求7所述的无人机的瞄准方法,其特征在于,
以所述最优参数编码为基础,采用历史信息与当前信息融合搜索策略对每个参数编码进行搜索,得到一次搜索之后的参数编码,包括:
根据最优参数编码,采用历史信息与当前信息融合搜索策略对每个参数编码进行搜索,以获取参数编码的搜索量为:
其中,表示第t次训练过程中第i个参数编码中第d维参数,i=1,2,...,I,I表示参数编码的总数,/>表示第t次训练过程中的搜索量,/>表示惯性权重,/>表示第t-1次训练过程中的搜索量,/>表示更新控制系数,/>表示(0,1)之间的随机数,/>表示/>对应的历史最优值所对应的第d维参数,/>表示最优参数编码对应的第d维参数;
根据所述参数编码的搜索量,获取一次搜索之后的参数编码为:
其中,表示更新后的/>,即一次搜索之后的参数编码;
针对一次搜索之后的参数编码,采用历史信息记忆搜索策略对每个参数编码进行搜索,得到二次搜索之后的参数编码,包括:
其中,表示第t次训练过程中一次搜索之后的第i个参数编码中第d维参数,j=1,2,...,I;/>表示更新后的/>,即二次搜索之后的参数编码,/>表示第t-1次训练过程中一次搜索之后的第i个参数编码中第d维参数,/>表示第t-2次训练过程中一次搜索之后的第i个参数编码中第d维参数,/>表示第t-3次训练过程中一次搜索之后的第i个参数编码中第d维参数,/>表示调整系数;
针对二次搜索之后的参数编码,以当前最优参数编码所在位置为基础,采用全局跳跃搜索策略对二次搜索之后的参数编码进行搜索,得到优化之后的参数编码,包括:
其中,表示第t次训练过程中二次搜索之后的第i个参数编码中第d维参数,m=1,2,...,I;/>表示更新后的/>,即优化之后的参数编码;/>表示跳跃个体中第d维参数,/>表示上限值/>与下限值/>之间的随机系数,/>表示[-1,1]之间的随机数,/>表示圆周率,/>表示[-1,1]之间的随机数,/>表示第一中间参数,/>表示随机个体中第d维参数,/>表示第一随机飞行系数,/>表示第二随机飞行系数,/>表示(0,2]之间的随机数,且/>与/>服从正态分布,即/>,/>;/>表示第二中间参数,且,/>表示伽马函数,/>表示第一中间参数的最大值,/>表示第一中间参数的最小值,T表示最大训练次数。
9.根据权利要求8所述的无人机的瞄准方法,其特征在于,当所述目标识别结果为存在预设目标时,获取无人机当前飞行姿态,并根据无人机当前飞行姿态以及无人机的镜头方位,执行无人机的瞄准操作,包括:
当所述目标识别结果为存在预设目标时,获取无人机当前飞行姿态;其中,所述无人机当前飞行姿态包括无人机的朝向以及高度;
调整无人机当前飞行姿态以及无人机的镜头方位,使预设目标所对应的像素坐标所对应的均值坐标与像素原点最近,实现无人机的瞄准操作;
其中,像素原点用于表征实时视频帧的中心点,预设目标所对应的像素坐标所对应的均值坐标用于表征预设目标包含的所有像素点对应的坐标求均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239660.9A CN117830883B (zh) | 2024-03-04 | 2024-03-04 | 一种无人机的瞄准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239660.9A CN117830883B (zh) | 2024-03-04 | 2024-03-04 | 一种无人机的瞄准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117830883A CN117830883A (zh) | 2024-04-05 |
CN117830883B true CN117830883B (zh) | 2024-05-31 |
Family
ID=90506022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410239660.9A Active CN117830883B (zh) | 2024-03-04 | 2024-03-04 | 一种无人机的瞄准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830883B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018692A (zh) * | 2019-04-24 | 2019-07-16 | 五邑大学 | 一种无人机制导方法、系统、装置及存储介质 |
CN112859922A (zh) * | 2021-01-25 | 2021-05-28 | 西安工业大学 | 改进自适应遗传-变领域协同搜索的多无人机长时工作路径规划 |
CN113050688A (zh) * | 2021-03-22 | 2021-06-29 | 中国人民解放军国防科技大学 | 重点目标封控中多无人机协同搜索路径规划方法 |
CN114564049A (zh) * | 2022-03-21 | 2022-05-31 | 厦门大学 | 一种基于深度学习的无人机广域搜索的装置及方法 |
CN114967728A (zh) * | 2022-02-25 | 2022-08-30 | 珠海紫燕无人飞行器有限公司 | 一种无人机集群协同搜索方法 |
CN115272409A (zh) * | 2022-07-14 | 2022-11-01 | 长沙超创电子科技有限公司 | 一种基于深度神经网络的单目标长时跟踪方法 |
CN115661204A (zh) * | 2022-11-01 | 2023-01-31 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群对运动目标的协同搜寻与跟踪定位方法 |
CN116360474A (zh) * | 2023-04-25 | 2023-06-30 | 长春长光博翔无人机有限公司 | 一种无人机主动跟踪捕获系统及方法 |
CN116704386A (zh) * | 2023-08-01 | 2023-09-05 | 四川开澜科技有限公司 | 一种基于ai的精准应急救援方法及装置 |
CN117292283A (zh) * | 2023-11-24 | 2023-12-26 | 成都庆龙航空科技有限公司 | 一种基于无人机的目标识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11205274B2 (en) * | 2018-04-03 | 2021-12-21 | Altumview Systems Inc. | High-performance visual object tracking for embedded vision systems |
JP2023551979A (ja) * | 2020-12-07 | 2023-12-13 | テレフオンアクチーボラゲット エルエム エリクソン(パブル) | 無人航空ビークル(uav)の少なくとも1つの態様の識別をハンドリングするためのuav、デバイス、第2のデバイス、およびそれらによって実施される方法 |
US20220262263A1 (en) * | 2021-02-16 | 2022-08-18 | Flir Unmanned Aerial Systems Ulc | Unmanned aerial vehicle search and rescue systems and methods |
WO2022231989A1 (en) * | 2021-04-29 | 2022-11-03 | Skygrid, Llc | Unmanned aerial vehicle response to object detection |
WO2022232591A1 (en) * | 2021-04-29 | 2022-11-03 | Skygrid, Llc | Multi-objective mission planning and execution for an unmanned aerial vehicle |
-
2024
- 2024-03-04 CN CN202410239660.9A patent/CN117830883B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018692A (zh) * | 2019-04-24 | 2019-07-16 | 五邑大学 | 一种无人机制导方法、系统、装置及存储介质 |
CN112859922A (zh) * | 2021-01-25 | 2021-05-28 | 西安工业大学 | 改进自适应遗传-变领域协同搜索的多无人机长时工作路径规划 |
CN113050688A (zh) * | 2021-03-22 | 2021-06-29 | 中国人民解放军国防科技大学 | 重点目标封控中多无人机协同搜索路径规划方法 |
CN114967728A (zh) * | 2022-02-25 | 2022-08-30 | 珠海紫燕无人飞行器有限公司 | 一种无人机集群协同搜索方法 |
CN114564049A (zh) * | 2022-03-21 | 2022-05-31 | 厦门大学 | 一种基于深度学习的无人机广域搜索的装置及方法 |
CN115272409A (zh) * | 2022-07-14 | 2022-11-01 | 长沙超创电子科技有限公司 | 一种基于深度神经网络的单目标长时跟踪方法 |
CN115661204A (zh) * | 2022-11-01 | 2023-01-31 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群对运动目标的协同搜寻与跟踪定位方法 |
CN116360474A (zh) * | 2023-04-25 | 2023-06-30 | 长春长光博翔无人机有限公司 | 一种无人机主动跟踪捕获系统及方法 |
CN116704386A (zh) * | 2023-08-01 | 2023-09-05 | 四川开澜科技有限公司 | 一种基于ai的精准应急救援方法及装置 |
CN117292283A (zh) * | 2023-11-24 | 2023-12-26 | 成都庆龙航空科技有限公司 | 一种基于无人机的目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117830883A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800689B (zh) | 一种基于时空特征融合学习的目标跟踪方法 | |
EP3686779B1 (en) | Method and device for attention-based lane detection without post-processing by using lane mask and testing method and testing device using the same | |
CN110111335A (zh) | 一种自适应对抗学习的城市交通场景语义分割方法及系统 | |
KR102313119B1 (ko) | 자율주행 자동차의 레벨 4를 충족시키기 위해 요구되는 hd 맵 업데이트에 이용될 적어도 하나의 어댑티브 로스 가중치 맵을 이용한 어텐션 드리븐 이미지 세그먼테이션 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
KR102296509B1 (ko) | 자율 주행 자동차의 레벨 4를 충족시키기 위해 영역의 클래스에 따라 모드를 전환하여 그리드 셀 별로 가중 컨벌루션 필터를 이용한 감시용 이미지 세그멘테이션 방법 및 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
CN114023062B (zh) | 一种基于深度学习和边缘计算的交通流信息监测方法 | |
CN110427797B (zh) | 一种基于几何条件限制的三维车辆检测方法 | |
CN111401681B (zh) | 多无人机协同巡逻任务分配优化方法 | |
CN110244734A (zh) | 一种基于深度卷积神经网络的自动驾驶车辆路径规划方法 | |
CN112464912B (zh) | 基于YOLO-RGGNet的机器人端人脸检测方法 | |
CN111626200A (zh) | 一种基于Libra R-CNN的多尺度目标检测网络和交通标识检测方法 | |
KR102252155B1 (ko) | 자율주행 자동차의 레벨 4를 충족시키기 위해 필요한 hd 지도와의 콜라보레이션을 지원하는 임베딩 로스 및 소프트맥스 로스를 이용하여 적어도 하나의 차선을 가지는 이미지를 세그멘테이션하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
CN114913386A (zh) | 一种多目标跟踪模型的训练方法以及多目标跟踪方法 | |
CN117093009B (zh) | 一种基于机器视觉的物流agv小车导航控制方法及系统 | |
CN113989784A (zh) | 一种基于车载激光点云的道路场景类型识别方法及系统 | |
CN104867142A (zh) | 基于三维场景的导航方法 | |
CN117292283B (zh) | 一种基于无人机的目标识别方法 | |
CN110929621A (zh) | 一种基于拓扑信息细化的道路提取方法 | |
CN115285143A (zh) | 一种基于场景分类的自动驾驶车辆导航方法 | |
CN116859985A (zh) | 一种四旋翼自动追踪功能实现方法 | |
CN111931915A (zh) | 一种基于diou损失函数的训练网络的方法 | |
CN117830883B (zh) | 一种无人机的瞄准方法 | |
CN114332444A (zh) | 一种基于增量漂移聚类的复杂星空背景目标识别方法 | |
CN117710841A (zh) | 一种无人机航拍图像的小目标检测方法、装置 | |
Fan et al. | Covered vehicle detection in autonomous driving based on faster rcnn |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |