2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩151頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、目前,移動機器人在星際探索、野外搜尋、軍事行動和災(zāi)害救援等方面均具有重要應(yīng)用。與室內(nèi)結(jié)構(gòu)化環(huán)境不同,野外場景中,地形-地面的多樣性、復(fù)雜性會對機器人的移動性能產(chǎn)生較大影響。機器人對其所處地形環(huán)境的準(zhǔn)確分類是決定其能否實現(xiàn)自主移動的關(guān)鍵性因素。而視覺是最接近人類的環(huán)境感知方式,能夠提供較為豐富的地形信息,利用視覺方法解決地形分類問題具有重要的理論意義與實用價值。
  本論文綜合運用詞袋模型、多層編碼向量、深度濾波器等方法,著眼于設(shè)計

2、強鑒別力的視覺地形特征,取得了如下創(chuàng)新性成果:
 ?。?)完成了模型優(yōu)化,并在現(xiàn)有框架下設(shè)計了混合表達(Hybrid Representation,HR)。詞袋模型(Bag of VisualWords,BOVW)縮小底層視覺特征與高層語義之間的語義鴻溝,生成中層語義表達以提高分類效果,逐步成為了地形分類的常用方法和標(biāo)準(zhǔn)范式。我們優(yōu)化現(xiàn)有 BOVW模型,構(gòu)建了視覺地形分類的最優(yōu)流程,從而快速、高效地完成視覺地形分類任務(wù)。本文首先全

3、面研究和分析了視覺地形分類中的詞袋模型方法,系統(tǒng)地總結(jié)了現(xiàn)有工作。然后建立了地形數(shù)據(jù)集Terrain8,評估了詞袋模型與特征融合的各種方法。最后根據(jù)實驗結(jié)果,利用特征前處理手段、優(yōu)化詞袋模型、特征融合技術(shù)構(gòu)建了視覺地形分類的最優(yōu)流程,生成最終的混合表達HR。在Terrain8數(shù)據(jù)集中完成測試:HR在SIFT和DSIFT條件下分別取得了88.7%和87.7%的分類準(zhǔn)確率。同時HR對噪聲和光照變化也保持了較強的魯棒性。
 ?。?)運用

4、深度學(xué)習(xí)網(wǎng)絡(luò)的構(gòu)型特點,設(shè)計了一種視覺地形分類的新方法—多層編碼向量(Hierarchical Coding Vector,HCV)。HCV方法堆疊多層基礎(chǔ)BOVW編碼層和1層Fisher編碼層,構(gòu)建多層網(wǎng)絡(luò)結(jié)構(gòu),將一層的編碼結(jié)果輸入到下一層進行再編碼,通過逐層抽象,以獲取更豐富的語義信息。BOVW層描述地形圖像中的局部圖塊,F(xiàn)isher層生成最終的全局表達。HCV通過多個編碼層提純圖像語義信息,生成用于描述地形的高層特征,提高了特征的

5、視覺鑒別力。為了更好的對比分類性能,我們使用國際通用數(shù)據(jù)集21-Class Land Use(LU)和RSSCN7進行評估,實驗結(jié)果顯示了HCV方法的有效性。FV是一種經(jīng)典的編碼方法,聯(lián)合FV與HCV,我們在LU和RSSCN7數(shù)據(jù)集上獲得了91.8%和86.4%的分類準(zhǔn)確率,優(yōu)于目前文獻中的最優(yōu)結(jié)果。隨后在Terrain8數(shù)據(jù)集上也進行測試,方法(HCV+FV)的分類準(zhǔn)確率達到了88.0%,與HR的性能相當(dāng),具有優(yōu)秀的視覺地形分類能力。

6、
  (3)結(jié)合多列可疊加的稀疏降噪自動編碼器(Stacked Denoising Sparse Autoencoder,SDSAE)和FV池化層,我們提出了一種新型的混合結(jié)構(gòu)—深度濾波器(Deep Filter Banks,DFB)。方法使用多層網(wǎng)絡(luò)結(jié)構(gòu),從地形圖像中自主學(xué)習(xí)到具有鑒別力的視覺特征。SDSAE用于描述圖像中的局部圖塊,F(xiàn)V池化層生成魯棒的全局表達。模型參數(shù)是影響分類性能的關(guān)鍵因素,且隨著模型擴展,參數(shù)尋優(yōu)空間會呈

7、指數(shù)增長,較為復(fù)雜的參數(shù)整定過程制約分類性能的進一步提升。不同于依靠手工特征的方法,深度濾波器DFB使用機器學(xué)習(xí)方法完成模型參數(shù)的自優(yōu)化,無需手工整定,模型構(gòu)建過程變得簡單高效。同時DFB能發(fā)現(xiàn)圖像中更深層的模式結(jié)構(gòu),具有更出色的視覺地形分類性能。通過實驗發(fā)現(xiàn),DFB分別取得了92.7%(LU)、90.4%(RSSCN7)和89.8%(Terrain8)的分類準(zhǔn)確率,顯示出較為理想的視覺鑒別力,進一步提升了視覺方法的地形分類能力。

8、> ?。?)結(jié)合DFB算法生成的視覺特征,設(shè)計了地形視頻的處理框架,在多種移動機器人平臺中進行了應(yīng)用實驗?;谝陨系难芯砍晒覀儗λ惴▽嵱没M行了初步探索。首先設(shè)計了地形視頻的處理框架,將提出的視覺特征應(yīng)用于多個移動機器人平臺中。視覺地形分類算法運行時,機器人無需停止運動,算法不會干擾機器人的正常任務(wù)進展。隨后在多種平臺上進行實地實驗,實驗地形包括四種:瓷磚、雪地、瀝青和草地。DFB算法在三種移動機器人平臺上均取得了較好的視覺分類準(zhǔn)確

9、率(四足變胞移動機器人:97.12%、仿生弧腿式移動機器人:99.38%和HUSKY無人地面車:95.92%)。同時,DFB算法還在高速狀態(tài)、夜光環(huán)境中保持了視覺鑒別力,分類準(zhǔn)確率分別為94.19%和93.81%。實驗結(jié)果表明:DFB具有優(yōu)秀且穩(wěn)定的視覺地形分類性能,魯棒性強,具有較好的實用潛力。
  綜上所述,本研究開展了移動機器人地形分類的視覺方法研究,在現(xiàn)有框架下完成了模型優(yōu)化,設(shè)計了二種視覺地形分類的新方法,并基于多種移動

10、機器人平臺開展了實地的應(yīng)用實驗。首先建立了地形數(shù)據(jù)集Terrain8,對BOVW模型和特征融合中的不同方法開展了評估實驗,并基于實驗數(shù)據(jù)建立了最優(yōu)流程。隨后借鑒深度學(xué)習(xí)網(wǎng)絡(luò),設(shè)計了多層編碼向量HCV,方法能生成用于描述地形的高層特征,具有優(yōu)秀的視覺鑒別力。之后針對HCV模型較為復(fù)雜的參數(shù)整定過程,結(jié)合SDASE和FV方法,設(shè)計了深度濾波器DFB,模型可完成參數(shù)自整定,構(gòu)建變得更加簡單高效,特征的視覺鑒別力獲得進一步提升。最后在三種移動機

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論