CN107886099A - 协同神经网络及其构建方法和飞行器自主避障方法 - Google Patents
协同神经网络及其构建方法和飞行器自主避障方法 Download PDFInfo
- Publication number
- CN107886099A CN107886099A CN201711100010.2A CN201711100010A CN107886099A CN 107886099 A CN107886099 A CN 107886099A CN 201711100010 A CN201711100010 A CN 201711100010A CN 107886099 A CN107886099 A CN 107886099A
- Authority
- CN
- China
- Prior art keywords
- vector
- image
- order parameter
- mrow
- neural network
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种协同神经网络及其构建方法和飞行器自主避障方法,协同神经网络的构建方法包括提取预处理后障碍物图像的特征向量;将预处理后障碍物图像转换为列向量,通过所有特征向量构成的特征矩阵映射得到所有列向量特征提取后构成向量集;将向量集输入协同神经网络,计算标准集中每一类别所有障碍物图像向量的均值作为其原型向量;计算障碍物图像初始序参量;获取满足设定条件的障碍物图像序参量;当障碍物图像序参量与障碍物图像初始序参量所表征的类别不相同时,更新该类的原型向量;当训练集中所有障碍物图像向量的障碍物图像序参量均满足设定条件时,通过所有原型向量构成的原型矩阵计算得到伪逆矩阵,完成协同神经网络的构建。
Description
技术领域
本发明涉及计算机领域,具体涉及一种协同神经网络及其构建方法和飞行器自主避障方法。
背景技术
飞行器最早出现在20世纪20年代,最初在军事上作为训练的靶机使用,随着科学技术的发展进步,飞行器在社会生产生活中得到了广泛的应用,飞行器的产品种类也越来越丰富,而且随着生产制造工艺和产品设计等各方面的优化,使得飞行器的制造成本进一步降低,并得到了广泛的普及。
但现今,传统的飞行器都是采用手持遥控器或计算机安装地面站的方式来控制飞行器的飞行。由于飞行器飞行环境的不确定性以及飞行控制方式的复杂性,因此对飞行器操作者的操作水平提出了较高的要求。然而由于飞行器其自身结构的特殊性和飞行高度属于低空域的特点,在实际飞行过程中容易发生碰撞,损坏飞行器,甚至造成炸机的风险。因此在飞行器自主导航过程中对障碍物的判断和避障成了飞行器飞行控制领域一个十分重要的问题。
发明内容
针对现有技术中的上述不足,本发明提供了一种协同神经网络及其构建方法和飞行器自主避障方法,其能够通过构建的协同神经网络对飞行器采集的图像中的障碍物进行快速准确识别及根据障碍物做出准确的避障措施。
为了达到上述发明目的,本发明采用的技术方案为:
第一方面,提供一种协同神经网络的构建方法,其包括:
获取具有若干障碍物图像的样本库,采用主成分分析方法提取预处理后障碍物图像的特征向量;
将预处理后障碍物图像转换为列向量,通过所有特征向量构成的特征矩阵映射得到所有列向量特征提取后构成向量集;
将向量集输入协同神经网络,选取向量集中设定比例的障碍物图像向量作为标准集,将向量集中余下障碍物图像向量作为训练集,并计算标准集中每一类别所有障碍物图像向量的均值作为其原型向量;
获取训练集中的障碍物图像向量,采用障碍物图像向量与其所在类的原型向量的正交伴随向量计算障碍物图像初始序参量;
根据障碍物图像初始序参量和图像识别动力学方程,获取满足设定条件的障碍物图像序参量;
当障碍物图像序参量与障碍物图像初始序参量所表征的类别不相同时,采用障碍物图像向量和与其对应类别的原型向量的平均值更新该类的原型向量;
当训练集中所有障碍物图像向量的障碍物图像序参量均满足设定条件时,通过所有原型向量构成的原型矩阵计算得到伪逆矩阵,完成协同神经网络的构建。
进一步地,所述设定条件为序参量的一个分量等于1,其余分量均等于0。
进一步地,所述采用主成分分析方法提取预处理后障碍物图像的特征向量的方法包括:
将预处理后的障碍物图像平铺展开形成N维列向量,并计算所有N维列向量的均值向量:
其中,为均值向量;m为障碍物图像的总数量;xi为第i张障碍物图像的N维列向量;
采用障碍物图像的N维列向量和均值向量,计算障碍物图像的去均值向量:
计算所有障碍物图像的N维列向量构成的数据集的协方差矩阵:
其中,()T为转置;A=[Φ1,Φ2,...,Φm];
计算矩阵AAT的特征向量ui=A*vi,其中,vi为ATA的特征向量;所述ATA中的m个特征值与特征向量对应于AAT中前m个最大的特征值及特征向量
计算矩阵AAT的特征值,并按从大到小排序,截取前面K个特征值及对应的特征向量构成特征矩阵。
进一步地,通过所有特征向量构成的特征矩阵映射得到所有列向量特征提取后构成向量集的计算公式为其中,U为特征矩阵;为Φi的转置。
进一步地,将预处理后障碍物图像转换为列向量后还包括对所述列向量进行零均值和归一化处理,之后特征矩阵映射得到所有列向量特征提取后构成向量集。
进一步地,所述障碍物图像初始序参量的计算公式为:
其中,ξk(0)为障碍物图像初始序参量;为初始原型向量vk的正交伴随向量;q为向量集中的障碍物图像向量;k为障碍物图像类别;
所述图像识别动力学方程为:
ξk(n+1)-ξk(n)=γ(λk-D+Bξk 2(n))ξk(n)
其中,n为迭代次数;B和C均为常系数;γ为迭代步长。
进一步地,对所述障碍物图像进行预处理的计算公式为:
Gray=0.299*R+0.114*B+0.587*G
其中,R、G、B分别代表原始图像中的红绿蓝三种颜色。
第二方面,提供一种协同神经网络,所述协调神经网络采用协同神经网络的构建方法构建而成。
第三方面,提供一种飞行器自主避障方法,其包括:
获取飞行器飞行前方的现场图像,将预处理后的现场图像转换为列向量,并通过特征矩阵映射得到现场图像对应列向量特征提取后的现场图像向量;
将所述现场图像向量输入协同神经网络,采用现场图像向量和协同神经网络中的伪逆矩阵计算现场图像的初始序参量;
当现场图像的初始序参量的最大分量大于设定阈值时,表明飞机飞行前方存在障碍物,则根据现场图像的初始序参量和协同神经网络中的图像识别动力学方程,获取满足设定条件的障碍物图像序参量;
根据障碍物图像序参量得到现场图像所属的类别,并通过得到的类别获取存储的飞行器避障措施;
根据所述避障措施控制飞行器改变飞行路径,直至现场图像的初始序参量的最大分量小于设定阈值。
进一步地,所述设定条件为序参量的一个分量等于1,其余分量均等于0;所述现场图像的类别为障碍物图像序参量中等于1的分量对应的类别。
本发明的有益效果为:本方案采用主成分分析法(PCA)对样本库中的多种类型障碍物图像通过特征提取后,输入协同神经网络,通过本方案的方式对协同神经网络进行训练,使协同神经网络能够快速准确地识别出图像中存在物体的类型。
在飞行器避障过程中,通过将训练好的协同神经网络应用于飞行器的自主导航飞行***中,飞行器在飞行过程中可以将其采集的飞行前方的现场图像采用主成分分析法(PCA)进行特征提取后直接输入训练好的协同神经网络,实现对现场图像中的对象所属类型的快速识别,之后飞行器再根据得到的类型,直接根据***存储的避障方式,进行快速自动避障,从而确保了飞行器飞行过程的安全。
附图说明
图1为协同神经网络的构建方法的流程图。
图2为协同神经网络的结构图。
图3为飞行器自主避障方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
参考图1,图1示出了协同神经网络的构建方法的流程图;如图1所示,该方法包括步骤101至步骤107。
在步骤101中,获取具有若干障碍物图像的样本库,采用主成分分析方法提取预处理后障碍物图像的特征向量;若干障碍物图像分别为多种类型的障碍物,每种类型障碍物有多张图像。
在本发明的一个实施例中,采用主成分分析方法提取预处理后障碍物图像的特征向量的方法包括:
将预处理后的障碍物图像平铺展开形成N维列向量,并计算所有N维列向量的均值向量:
其中,为均值向量;m为障碍物图像的总数量;xi为第i张障碍物图像的N维列向量;
采用障碍物图像的N维列向量和均值向量,计算障碍物图像的去均值向量:
计算所有障碍物图像的N维列向量构成的数据集的协方差矩阵:
其中,()T为转置;A=[Φ1,Φ2,...,Φm];
计算矩阵AAT的特征向量ui=A*vi,其中,vi为ATA的特征向量;计算矩阵AAT的特征值,并按从大到小排序,所述ATA中的m个特征值与特征向量对应于AAT中前m个最大的特征值及特征向量。
对提取的特征值从大到小排序,截取前面K个特征值及对应的特征向量构成特征矩阵U,U=[u1,u2,...,uK]。
在步骤102中,将预处理后障碍物图像转换为列向量,通过所有特征向量构成的特征矩阵映射得到所有列向量特征提取后构成向量集。
实施时,本方案优选通过所有特征向量构成的特征矩阵映射得到所有列向量特征提取后构成向量集的计算公式为其中,U为特征矩阵;为Φi的转置。
实施时,本方案优选将预处理后障碍物图像转换为列向量后还包括对所述列向量进行零均值和归一化处理,之后特征矩阵映射得到所有列向量特征提取后构成向量集。
在步骤103中,将向量集输入协同神经网络,选取向量集中设定比例(优选设定比例为30%)的障碍物图像向量作为标准集,将向量集中余下障碍物图像向量作为训练集,并计算标准集中每一类别所有障碍物图像向量的均值作为其原型向量。
在步骤104中,获取训练集中的障碍物图像向量,采用障碍物图像向量与其所在类的原型向量的正交伴随向量计算障碍物图像初始序参量;序参量为向量集中的障碍物图像向量q在最小二乘意义下于原型向量上的投影。
具体地,障碍物图像初始序参量的计算公式为:
其中,ξk(0)为障碍物图像初始序参量;为初始原型向量vk的正交伴随向量;q为向量集中的障碍物图像向量;k为障碍物图像类别。
在步骤105中,根据障碍物图像初始序参量和图像识别动力学方程,获取满足设定条件的障碍物图像序参量;其中的设定条件为序参量的一个分量等于1,其余分量均等于0。
在本发明的一个实施例中,所述图像识别动力学方程为:
ξk(n+1)-ξk(n)=γ(λk-D+Bξk 2(n))ξk(n)
其中,n为迭代次数;B和C均为常系数,取值为1;γ为迭代步长。
在获取满足设定条件的障碍物图像序参量时,需要采用图像识别动力学方程进行多次迭代得到,下面对多次迭代获取满足设定条件的障碍物图像序参量的过程进行说明,以迭代51次为例:
循环体:n=0-50(假设循环51次)
{
}
n=0时,ξk(0)已求得,(ξk(0)为向量如ξk(0)=(0.4 0.3 0.7-0.1 0.6……)),开始第0次循环,先求ξk(0)各维数值之和D,然后把D的值带入公式2,计算下一个序参量ξk(0+1)的值(k为1-M),这里要计算M次,直到把ξk(1)每一维的值计算出来。
n=1:ξk(1)已求得,计算ξk(1)各维数值之和D,然后计算ξk(2)……;
n=2:以此类推,直到n=50,计算ξk(51),循环结束,得到ξk(51)。
在步骤106中,当障碍物图像序参量与障碍物图像初始序参量所表征的类别不相同时,采用障碍物图像向量和与其对应类别的原型向量的平均值更新该类的原型向量;其中,类型判断是通过序参量中等于1的分量对应的类型进行判断的,障碍物图像初始序参量所表征的类别实则就是障碍物图像的类别。
在类型确认过程中,为便于可视化,可以在等到得到满足设定条件的障碍物图像序参量后,计算输出模式qi(n)=ξk(n)VT,V=(v1,v2,...vi,...vk),通过输出模式qi(n)和qi(0)可以很直观地得出障碍物图像的类别。
在步骤107中,当训练集中所有障碍物图像向量的障碍物图像序参量均满足设定条件时,通过所有原型向量构成的原型矩阵计算得到伪逆矩阵,完成协同神经网络的构建。
在本发明的一个实施例中,对所述障碍物图像进行预处理的计算公式为:
Gray=0.299*R+0.114*B+0.587*G
其中,R、G、B分别代表原始图像中的红绿蓝三种颜色。
采用协同神经网络的构建方法构建而成的协同神经网络如图2所示。
参考图3,图3示出了飞行器自主避障方法的流程图;如图1所示,该飞行器自主避障方法包括:
采用飞行器前端装载的两个摄像头所构成的双目摄像头获取飞行器飞行前方的现场图像,接着对现场图像进行预处理,预处理的方式与协调神经网络中图像预处理的公式相同。
将预处理后的现场图像转换为列向量,并通过特征矩阵映射得到现场图像对应列向量特征提取后的现场图像向量;
实施时,本方案优选将预处理后现场图像转换为列向量后还包括对所述列向量进行零均值和归一化处理,之后特征矩阵映射得到所有列向量特征提取后的现场图像向量。
将所述现场图像向量输入协同神经网络,采用现场图像向量和协同神经网络中的伪逆矩阵计算现场图像的初始序参量;
当现场图像的初始序参量的最大分量大于设定阈值时,表明飞机飞行前方存在障碍物,则根据现场图像的初始序参量和协同神经网络中的图像识别动力学方程,获取满足设定条件的障碍物图像序参量;
根据障碍物图像序参量得到现场图像所属的类别,并通过得到的类别获取存储的飞行器避障措施;
根据所述避障措施控制飞行器改变飞行路径,直至现场图像的初始序参量的最大分量小于设定阈值。
其中,设定条件为序参量的一个分量等于1,其余分量均等于0;所述现场图像的类别为障碍物图像序参量中等于1的分量对应的类别。本方案的飞行器优选为无人机。
关于飞行器避障措施是根据协调神经网络中障碍物的类别进行设置的,也即一种类别对应于一种措施,比如障碍物为顶灯,飞行器避障措施为无人机向下偏航,直到目标不在视野内,继续巡航;障碍物为桌子,飞行器避障措施为向左或向右偏航,直到目标不在视野内,继续巡航;障碍物为人,飞行器避障措施为飞行器悬停(停止前进),然后垂直向上拔高,直到目标不在视野内,继续巡航。
其中,不在视野内的判断条件为下一张现场图像的初始序参量的最大分量小于设定阈值。
通过本方案的自动避障方法,使得飞行器在飞行的过程中能自主的躲避飞行路径前方危险区域的障碍物,保证安全的自主巡航到预先设定好的目的地。
Claims (10)
1.协同神经网络的构建方法,其特征在于,包括:
获取具有若干障碍物图像的样本库,采用主成分分析方法提取预处理后障碍物图像的特征向量;
将预处理后障碍物图像转换为列向量,通过所有特征向量构成的特征矩阵映射得到所有列向量特征提取后构成向量集;
将向量集输入协同神经网络,选取向量集中设定比例的障碍物图像向量作为标准集,将向量集中余下障碍物图像向量作为训练集,并计算标准集中每一类别所有障碍物图像向量的均值作为其原型向量;
获取训练集中的障碍物图像向量,采用障碍物图像向量与其所在类的原型向量的正交伴随向量计算障碍物图像初始序参量;
根据障碍物图像初始序参量和图像识别动力学方程,获取满足设定条件的障碍物图像序参量;
当障碍物图像序参量与障碍物图像初始序参量所表征的类别不相同时,采用障碍物图像向量和与其对应类别的原型向量的平均值更新该类的原型向量;
当训练集中所有障碍物图像向量的障碍物图像序参量均满足设定条件时,通过所有原型向量构成的原型矩阵计算得到伪逆矩阵,完成协同神经网络的构建。
2.根据权利要求1所述的协同神经网络的构建方法,其特征在于,所述设定条件为序参量的一个分量等于1,其余分量均等于0。
3.根据权利要求1所述的协同神经网络的构建方法,其特征在于,所述采用主成分分析方法提取预处理后障碍物图像的特征向量的方法包括:
将预处理后的障碍物图像平铺展开形成N维列向量,并计算所有N维列向量的均值向量:
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
其中,为均值向量;m为障碍物图像的总数量;xi为第i张障碍物图像的N维列向量;
采用障碍物图像的N维列向量和均值向量,计算障碍物图像的去均值向量:
<mrow>
<msub>
<mi>&Phi;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
计算所有障碍物图像的N维列向量构成的数据集的协方差矩阵:
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&Phi;</mi>
<mi>i</mi>
</msub>
<msup>
<msub>
<mi>&Phi;</mi>
<mi>i</mi>
</msub>
<mi>T</mi>
</msup>
<mo>=</mo>
<msup>
<mi>AA</mi>
<mi>T</mi>
</msup>
</mrow>
其中,()T为转置;A=[Φ1,Φ2,...,Φm];
计算矩阵AAT的特征向量ui=A*vi,其中,vi为ATA的特征向量;所述ATA中的m个特征值与特征向量对应于AAT中前m个最大的特征值及特征向量;
计算矩阵AAT的特征值,并按从大到小排序,截取前面K个特征值及对应的特征向量构成特征矩阵。
4.根据权利要求3所述的协同神经网络的构建方法,其特征在于,通过所有特征向量构成的特征矩阵映射得到所有列向量特征提取后构成向量集的计算公式为其中,U为特征矩阵;为Φi的转置。
5.根据权利要求3所述的协同神经网络的构建方法,其特征在于,将预处理后障碍物图像转换为列向量后还包括对所述列向量进行零均值和归一化处理,之后特征矩阵映射得到所有列向量特征提取后构成向量集。
6.根据权利要求1-5任一所述的协同神经网络的构建方法,其特征在于,所述障碍物图像初始序参量的计算公式为:
<mrow>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mo>+</mo>
</msubsup>
<mi>q</mi>
</mrow>
其中,ξk(0)为障碍物图像初始序参量;为初始原型向量vk的正交伴随向量;q为向量集中的障碍物图像向量;k为障碍物图像类别;
所述图像识别动力学方程为:
ξk(n+1)-ξk(n)=γ(λk-D+Bξk 2(n))ξk(n)
<mrow>
<mi>D</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>+</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msup>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,n为迭代次数;B和C均为常系数;γ为迭代步长。
7.根据权利要求1所述的协同神经网络的构建方法,其特征在于,对所述障碍物图像进行预处理的计算公式为:
Gray=0.299*R+0.114*B+0.587*G
其中,R、G、B分别代表原始图像中的红绿蓝三种颜色。
8.一种协同神经网络,其特征在于,包括所述协调神经网络采用权利要求1-7任一所述的方法构建而成。
9.一种飞行器自主避障方法,其特征在于,包括:
获取飞行器飞行前方的现场图像,将预处理后的现场图像转换为列向量,并通过特征矩阵映射得到现场图像对应列向量特征提取后的现场图像向量;
将所述现场图像向量输入权利要求8中的协同神经网络,采用现场图像向量和协同神经网络中的伪逆矩阵计算现场图像的初始序参量;
当现场图像的初始序参量的最大分量大于设定阈值时,表明飞机飞行前方存在障碍物,则根据现场图像的初始序参量和协同神经网络中的图像识别动力学方程,获取满足设定条件的障碍物图像序参量;
根据障碍物图像序参量得到现场图像所属的类别,并通过得到的类别获取存储的飞行器避障措施;
根据所述避障措施控制飞行器改变飞行路径,直至现场图像的初始序参量的最大分量小于设定阈值。
10.根据权利要求9所述的飞行器自主避障方法,其特征在于,所述设定条件为序参量的一个分量等于1,其余分量均等于0;所述现场图像的类别为障碍物图像序参量中等于1的分量对应的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711100010.2A CN107886099A (zh) | 2017-11-09 | 2017-11-09 | 协同神经网络及其构建方法和飞行器自主避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711100010.2A CN107886099A (zh) | 2017-11-09 | 2017-11-09 | 协同神经网络及其构建方法和飞行器自主避障方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107886099A true CN107886099A (zh) | 2018-04-06 |
Family
ID=61779911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711100010.2A Pending CN107886099A (zh) | 2017-11-09 | 2017-11-09 | 协同神经网络及其构建方法和飞行器自主避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107886099A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647781A (zh) * | 2018-05-18 | 2018-10-12 | 中国科学院计算技术研究所 | 一种人工智能芯片处理装置 |
CN108764470A (zh) * | 2018-05-18 | 2018-11-06 | 中国科学院计算技术研究所 | 一种人工神经网络运算的处理方法 |
CN108764465A (zh) * | 2018-05-18 | 2018-11-06 | 中国科学院计算技术研究所 | 一种进行神经网络运算的处理装置 |
CN108985193A (zh) * | 2018-06-28 | 2018-12-11 | 电子科技大学 | 一种基于图像检测的无人机航拍人像对准方法 |
TWI783748B (zh) * | 2021-10-22 | 2022-11-11 | 中華學校財團法人中華科技大學 | 應用深度學習之無人機避障飛行控制影像辨識方法、系統及其應用 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103253263A (zh) * | 2012-02-17 | 2013-08-21 | 现代摩比斯株式会社 | 障碍物检测及碰撞报警装置及其方法 |
CN105222760A (zh) * | 2015-10-22 | 2016-01-06 | 一飞智控(天津)科技有限公司 | 一种基于双目视觉的无人机自主障碍物检测***及方法 |
CN106503665A (zh) * | 2016-10-26 | 2017-03-15 | 电子科技大学 | 一种基于协同神经网络的人脸识别方法 |
EP3242248A1 (en) * | 2016-05-05 | 2017-11-08 | Brunswick Corporation | Person detection in a marine environment |
-
2017
- 2017-11-09 CN CN201711100010.2A patent/CN107886099A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103253263A (zh) * | 2012-02-17 | 2013-08-21 | 现代摩比斯株式会社 | 障碍物检测及碰撞报警装置及其方法 |
CN105222760A (zh) * | 2015-10-22 | 2016-01-06 | 一飞智控(天津)科技有限公司 | 一种基于双目视觉的无人机自主障碍物检测***及方法 |
EP3242248A1 (en) * | 2016-05-05 | 2017-11-08 | Brunswick Corporation | Person detection in a marine environment |
CN106503665A (zh) * | 2016-10-26 | 2017-03-15 | 电子科技大学 | 一种基于协同神经网络的人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
蔡幸福 等: "《空间目标特性分析与识别》", 31 October 2015, 西北工业大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647781A (zh) * | 2018-05-18 | 2018-10-12 | 中国科学院计算技术研究所 | 一种人工智能芯片处理装置 |
CN108764470A (zh) * | 2018-05-18 | 2018-11-06 | 中国科学院计算技术研究所 | 一种人工神经网络运算的处理方法 |
CN108764465A (zh) * | 2018-05-18 | 2018-11-06 | 中国科学院计算技术研究所 | 一种进行神经网络运算的处理装置 |
CN108764470B (zh) * | 2018-05-18 | 2021-08-31 | 中国科学院计算技术研究所 | 一种人工神经网络运算的处理方法 |
CN108764465B (zh) * | 2018-05-18 | 2021-09-24 | 中国科学院计算技术研究所 | 一种进行神经网络运算的处理装置 |
CN108985193A (zh) * | 2018-06-28 | 2018-12-11 | 电子科技大学 | 一种基于图像检测的无人机航拍人像对准方法 |
TWI783748B (zh) * | 2021-10-22 | 2022-11-11 | 中華學校財團法人中華科技大學 | 應用深度學習之無人機避障飛行控制影像辨識方法、系統及其應用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886099A (zh) | 协同神经网络及其构建方法和飞行器自主避障方法 | |
US11915501B2 (en) | Object detection method and apparatus, electronic device, and storage medium | |
Huang et al. | Visual odometry and mapping for autonomous flight using an RGB-D camera | |
US20210390329A1 (en) | Image processing method, device, movable platform, unmanned aerial vehicle, and storage medium | |
CN106403904B (zh) | 一种基于无人机的景观尺度植被覆盖度的计算方法及*** | |
CN105654500A (zh) | 基于仿生鸽群优化视觉注意机制的无人机目标检测方法 | |
CN109445456A (zh) | 一种多无人机集群导航方法 | |
CN106292126B (zh) | 一种智能航测飞行曝光控制方法、无人机控制方法及终端 | |
CN106910217A (zh) | 视觉地图建立方法、计算装置、计算机存储介质和智能车辆 | |
Desaraju et al. | Vision-based landing site evaluation and informed optimal trajectory generation toward autonomous rooftop landing | |
Escobar‐Alvarez et al. | R‐ADVANCE: rapid adaptive prediction for vision‐based autonomous navigation, control, and evasion | |
US20150253140A1 (en) | Method for Position and Location Detection by Means of Virtual Reference Images | |
EP3690737A1 (en) | Learning method and learning device for strategic transforming rgb training image sets into non-rgb training image sets, to be used for learning object detection on objects of images in non-rgb format, by using cycle gan, resulting in significantly reducing computational load and reusing data | |
EP3690811A1 (en) | Learning method and learning device for removing jittering on video acquired through shaking camera by using a plurality of neural networks for fault tolerance and fluctuation robustness in extreme situations, and testing method and testing device using the same | |
Xu et al. | A cascade adaboost and CNN algorithm for drogue detection in UAV autonomous aerial refueling | |
CN108197584A (zh) | 一种基于三元组深度神经网络的行人重识别方法 | |
CN106951830A (zh) | 一种基于先验条件约束的图像场景多对象标记方法 | |
Escobar-Alvarez et al. | Bioinspired approaches for autonomous small-object detection and avoidance | |
US20200401151A1 (en) | Device motion control | |
CN107273929A (zh) | 一种基于深度协同神经网络的无人机自主降落方法 | |
Desaraju et al. | Vision-based Landing Site Evaluation and Trajectory Generation Toward Rooftop Landing. | |
Ivanovas et al. | Block matching based obstacle avoidance for unmanned aerial vehicle | |
Rojas-Perez et al. | Real-time landing zone detection for UAVs using single aerial images | |
Mokroš et al. | Unmanned aerial vehicle use for wood chips pile volume estimation | |
CN110866548A (zh) | 输电线路绝缘子红外智能匹配识别与测距定位方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180406 |
|
RJ01 | Rejection of invention patent application after publication |