【技术实现步骤摘要】
面向无人机目标识别在线学习的训练参数自适应优化方法
[0001]本专利技术涉及无人机目标识别
,具体涉及一种面向无人机目标识别在线学习的训练参数自适应优化方法。
技术介绍
[0002]无人机由于其灵活性、便携性和3D移动性等特点,在民用和军用领域均发挥着重要作用。其中,利用无人机快速移动的灵活性对目标进行跟踪识别是无人机智能化的一个重要用途,能够在抢险救灾、线路巡检等任务中起到至关重要的作用。而为了实现上述应用,使用人工智能技术尤其是深度学习技术是一种不可避免的趋势。
[0003]深度学习是机器学习领域中一个研究方向,其目的在于使机器能够像人一样具有分析学习能力,可以识别文字,图像和声音等数据。区别于浅层学习,深度学习的模型结构层次更多,同时加强了特征学习的能力。将深度学习使用至无人机,可以有效利用无人机的机动性和灵活性,为深度学习提供大量的学习样本。并且这些样本由于无人机的三维机动性,可以来自目标的不同高度和拍摄角度,使训练出的模型准确度和泛用性更高。
[0004]虽然深度学习已经证明了其实现无人机智能化的能力,但传统的深度学习模型仍有以下几点不足:
[0005]1.难以适应多变的环境。由于无人机实际应用的环境与训练样本的环境往往存在差异,使得无人机在离线状态下训练良好的模型,在动态的环境中检测效果并不理想。
[0006]2.训练过程时间成本较大。在线学习能够有效提高模型的准确率,但这需要占用大量的时间进行计算。并且随着样本的增加,单次迭代的训练时间也会相应增加。这对于追求时效 ...
【技术保护点】
【技术特征摘要】
1.一种面向无人机目标识别在线学习的训练参数自适应优化方法,其特征在于,所述训练参数自适应优化方法包括以下步骤:基于神经网络构建无人机目标识别模型,对无人机目标识别模型进行初步训练后,采用无人机实际拍摄的图像作为后续的在线学习样本,对无人机目标识别模型进行持续训练;在持续训练过程中,根据设定的批数量对在线学习样本进行划分,采用划分后的批样本对无人机目标识别模型进行迭代训练;根据每次迭代后的得到的计算时间和损失值,计算得到无人机目标识别模型的收敛速度;将计算得到的当前迭代周期的收敛速度与历史最优收敛速度进行比较,根据比较结果,更新最优收敛速度或批数量;其中,如果计算得到的收敛速度大于历史最优收敛速度,在下一迭代周期中维持相同的批数量,更新历史最优收敛速度为当前迭代周期的收敛速度;如果计算得到的收敛速度小于历史最优收敛速度,增大批数量以加快下一迭代周期的收敛速度或者减小批数量以减少下一迭代周期的计算时间。2.根据权利要求1所述的面向无人机目标识别在线学习的训练参数自适应优化方法,其特征在于,基于Yolov5网络构建得到无人机目标识别模型。3.根据权利要求1所述的面向无人机目标识别在线学习的训练参数自适应优化方法,其特征在于,采用若干个Visdrone2021数据集图像作为初始样本对无人机目标识别模型进行初步训练。4.根据权利要求1所述的面向无人机目标识别在线学习的训练参数自适应优化方法,其特征在于,根据每次迭代后的得到的计算时间和损失值,计算得到无人机目标识别模型的收敛速度的过程包括以下步骤:在每轮模型迭代开始前,重新确定训练数据集D=(x1,y1),(x2,y2),
…
(x
n
,y
n
),n∈N中在线样本的数量N,其中,x
n
为第n个样本的特征值,y
n
为第n个样本的标签;根据第t次迭代的批数量S
t
将在线样本划分为批,根据训练结果计算第t次迭代的收敛速度θ
t
::其中,L
t
表示模型第t次迭代的损失值,B
t
表示第t次迭代的批次数,T
t
表示第t次迭代的计算时间,(x
i,j
,y
i,j
)代表第j批的第i个样本,w
t
(x
i,j
)是模型参数,f(y
【专利技术属性】
技术研发人员:赵卓玥,张卉瑾,高泽凯,王思逸,牛文锴,董超,屈毓锛,吴飞宇,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。