欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022104731388
申请人: 宇翔盛泰通用航空有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度归因图谱的无人机跟踪模型迁移学习方法,其特征在于,包括以下步骤:S1:采集包含目标无人机机型的图像数据作为探测数据Dp,探测数据Dp={x1,x2,…xa,xn},包含n张无人机图像数据;

S2:将利用通用跟踪数据集训练完成的跟踪模型SiamRPN++,作为深度神经网络预训练模型m1;

S3:构建前向传播路径,将步骤S1采集的探测数据Dp输入到步骤S2的深度神经网络预训练模型m1中,探测数据Dp中的图像每经过一个卷积层,计算一次所述卷积层的输出特征并将结果保存;经过深度神经网络预训练模型m1的n个卷积层,则构建得到包含n个输出特征的知识池Ω,S4:利用余弦相似性,计算探测数据Dp中图像数据点两两之间在同一输出特征 的相似度,得到边的相似性S5:构建反向传播路径,将探测数据Dp输入到深度神经网络预训练模型m1中,利用梯度*输入的方式,计算输入数据xa针对特征输出 的归因值 得到该层输出特征的节点归因值为S6:构建节点归因值序列,利用余弦相似性,计算深度神经网络预训练模型m1中每层卷积与最后一层卷积特征嵌入空间节点归因值的相似性S7:按照卷积层的排列顺序,构建特征嵌入空间的相似性序列,计算每层卷积和最后一层卷积的特征嵌入空间的边相似性 与 的斯皮尔曼相关系数,得到相关系数为S8:构建深度归因图谱,相似性函数为 则根据相似性函数求取各层卷积与最后一层卷积的深度归因图谱的相关系数rk;

S9:设定相关系数阈值rset,将每次计算得到的相关系数rk与rset做对比,大于或等于阈值则保留,反之抛弃;

S10:将rk所在的第k层作为模型参数微调临界点。

2.根据权利要求1所述的一种基于深度归因图谱的无人机跟踪模型迁移学习方法,其特征在于:所述步骤S1中的探测数据Dp为在自制多旋翼无人机数据集中随机采样的数据;

所述自制多旋翼无人机包括大疆无人机机型Mavic;所述自制多旋翼无人机数据集的属性包括快速运动、背景混乱、相似物干扰、形变、遮挡、运动模糊、光照变化、尺度变化和超出视野,所述自制多旋翼无人机数据集的场景包括城市、人群、学校和海滩,所述自制多旋翼无人机数据集还包括不同视角、与无人机的相对距离和不同飞行姿态。

3.根据权利要求1所述的一种基于深度归因图谱的无人机跟踪模型迁移学习方法,其特征在于:所述步骤S2中SiamRPN++模型m1为针对跟踪任务而在跟踪数据集上训练完成的预训练模型,所述跟踪数据集包括ILSVRC2015‑DET、ILSVRC2015‑VID、COCO2017、YOUTUBE‑BoundingBoxes,所述SiamRPN++模型包括特征提取网络ResNet50和区域候选网络RPN。

4.根据权利要求1所述的一种基于深度归因图谱的无人机跟踪模型迁移学习方法,其特征在于:所述步骤S3中,SiamRPN++模型m1由多个非线性基元函数组成,在构建前向传播路径时,针对模型的卷积层结构,选取不同卷积层的输出特征 SiamRPN++模型每层有多个卷积,选择获取每层最后一个卷积的输出特征作为该层的输出作保留。

5.根据权利要求1所述的一种基于深度归因图谱的无人机跟踪模型迁移学习方法,其特征在于:所述步骤S4中利用余弦相似性,计算探测数据中的所有图像数据点,针对输出特征 的相似性 可表示为:式中, 代表第p个节点和第q个节点的边,并利用余弦相似性表达两个节点在特征空间 中特征间的相似性,具体计算方式为:

6.根据权利要求1所述的一种基于深度归因图谱的无人机跟踪模型迁移学习方法,其特征在于:所述步骤S5利用梯度*输入的方式计算输入数据节点对输出特征的归因值的具体方式为:针对深度神经网络预训练模型m1,给定一个输入数据 则计算xa中第i个元素对 的归因值 计算方式为:

7.根据权利要求1所述的一种基于深度归因图谱的无人机跟踪模型迁移学习方法,其特征在于:所述步骤S7中利用斯皮尔曼相关系数计算探测数据在每层卷积与最后一层卷积的特征嵌入空间的边相似性的相关系数,计算方式为:式中,di表示 和 的第i个元素序的差值。