基于深度协同神经网络的无人机避障系统设计与实现
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.2 相关研究的国内外状态 | 第10-13页 |
| 1.2.1 协同神经网络研究现状 | 第10-11页 |
| 1.2.2 基于深度学习的检测与识别算法研究现状 | 第11-12页 |
| 1.2.3 无人机避障算法研究现状 | 第12-13页 |
| 1.3 本文的主要贡献与创新 | 第13页 |
| 1.4 本论文的结构安排 | 第13-15页 |
| 第二章 协同学与协同识别理论 | 第15-33页 |
| 2.1 协同学 | 第15-19页 |
| 2.1.1 协同学的基本思想 | 第15-16页 |
| 2.1.2 协同学的关键概念 | 第16-19页 |
| 2.2 协同神经网络 | 第19-26页 |
| 2.2.1 协同神经网络的数学模型 | 第19-21页 |
| 2.2.2 协同神经网络的结构 | 第21-24页 |
| 2.2.3 协同神经网络的运行过程 | 第24-26页 |
| 2.3 基于PCA特征的深度协同神经网络 | 第26-32页 |
| 2.3.1 PCA特征提取 | 第26-28页 |
| 2.3.2 深度协同神经网络的模型结构 | 第28-29页 |
| 2.3.3 深度协同神经网络的运行过程 | 第29-32页 |
| 2.4 本章总结 | 第32-33页 |
| 第三章 无人机避障检测识别算法 | 第33-51页 |
| 3.1 基于金字塔采样的滑窗扫描方法 | 第33-35页 |
| 3.2 基于区域提名的的卷积神经网络 | 第35-41页 |
| 3.2.1 卷积神经网络模型 | 第35-38页 |
| 3.2.2 基于区域提名的CNN检测算法 | 第38-41页 |
| 3.3 无需区域提名的目标检测算法 | 第41-46页 |
| 3.3.1 YOLO检测算法 | 第41-43页 |
| 3.3.2 SSD检测算法 | 第43-46页 |
| 3.4 基于深度协同识别的无人机检测识别算法 | 第46-50页 |
| 3.5 本章总结 | 第50-51页 |
| 第四章 无人机避障系统设计与实现 | 第51-67页 |
| 4.1 系统总体框架 | 第51-52页 |
| 4.2 障碍物数据集的制作以及样本预处理 | 第52-55页 |
| 4.3 障碍物检测与识别 | 第55-58页 |
| 4.4 无人机避障实现 | 第58-66页 |
| 4.4.1 无人机地面站的建立 | 第58-59页 |
| 4.4.2 传统无人机避障方法 | 第59-61页 |
| 4.4.3 避障功能介绍 | 第61-65页 |
| 4.4.4 避障测试 | 第65-66页 |
| 4.5 本章总结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 后续展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73页 |
