APP下载

基于深度学习和GB-RBM的UAV红外语义分割方法

2023-09-13冯向东邬忠萍郝宗波

计算机工程与设计 2023年8期
关键词:语义方法

冯向东,邬忠萍,郝宗波

(1.成都理工大学工程技术学院 基础教学部,四川 乐山 614000;2.成都工业学院 汽车与交通学院,四川 成都 611730;3.电子科技大学 信息与软件工程学院,四川 成都 610054)

0 引 言

当前,无人机(unmanned aerial vehicle,UAV)红外影像已成为局部地区状况监测的重要手段[1]。其中,利用UAV红外热成像进行地面车辆语义分割应用前景广阔,例如交通监测、事故分析[2]、无人驾驶车辆管理[3]、车辆类型识别与停车场管理等[4]。

一般情况下,UAV红外图像的车辆检测和语义分割可分为3类:①提取如边缘、光谱等非自动特征,并进行转换合并[5],但仅使用低级特征无法从大量训练样本中学习,准确度不高;②利用机器学习方法,如支持向量机和各种类型的人工神经网络[6],但ML算法存在饱和限制;③利用深度学习(deep learning,DL)进行特征提取[7]。

增加卷积神经网络(convolutional neural network,CNN)层数有助于对更高层特征进行抽象,学习给定输入和对应输出之间的复杂关系,提高分割性能。图像语义分割架构大多采用编码器和解码器结构,分别用于视觉特征生成和输入图像重建。不同架构差异在于卷积层数和激活函数[8]。近些年,ResNet、U-Net和SegNet是性能很好的语义分割架构。ResNet[9]架构将输入图像像素向量与解码输出相加,U-Net[10]架构在收缩块和扩展块之间添加了一个卷积块,从而可以提高网络性能。SegNet[11]架构基于VGG16网络,通过开发上采样层重建图像原始尺寸,且网络参数简约,在内存使用和输出精度之间实现较好平衡。针对CNN中的过拟合问题,文献[12]利用池化层,通过对图像中像素进行编码,提高训练过程中的准确度。……

登录APP查看全文

猜你喜欢

语义方法
语言与语义
学习方法
“上”与“下”语义的不对称性及其认知阐释
用对方法才能瘦
四大方法 教你不再“坐以待病”!
赚钱方法
捕鱼
认知范畴模糊与语义模糊
“深+N季”组配的认知语义分析
语义分析与汉俄副名组合