徐文堂，樊寬剛

（1.江西理工大學(xué) 機(jī)電工程學(xué)院，贛州 341000；2.江西理工大學(xué) 電氣工程和自動(dòng)化學(xué)院，贛州 341000；3.江西理工大學(xué) 永磁磁浮技術(shù)與軌道交通研究院，贛州 341000）

0 引言

隨著一些無(wú)人機(jī)關(guān)鍵技術(shù)的突破，無(wú)人機(jī)得到廣泛的應(yīng)用。無(wú)人機(jī)的使用給人們生活帶來(lái)便利的同時(shí)，也帶來(lái)新的安全問(wèn)題，如無(wú)人機(jī)窺視隱私、無(wú)人機(jī)運(yùn)送貨物掉落、無(wú)人機(jī)邊境走私毒品等問(wèn)題，因此實(shí)時(shí)、有效地識(shí)別多旋翼無(wú)人機(jī)是非常重要的。

最近幾年，深度學(xué)習(xí)的發(fā)展，深度卷積神經(jīng)網(wǎng)絡(luò)[1]被廣泛應(yīng)用到圖像識(shí)別和物體檢測(cè)中。在物體檢測(cè)方面許多基于卷積神經(jīng)網(wǎng)絡(luò)的算法被提出，它們都表現(xiàn)出較好的檢測(cè)能力。Faster R-CNN[2]通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取特征，并使用最后一層卷積特征進(jìn)行物體檢測(cè)，它表現(xiàn)出良好檢測(cè)能力和識(shí)別精度。但是在檢測(cè)物體時(shí)，僅僅使用深層卷積特征，并沒(méi)有較好利用淺層特征信息。在卷積神經(jīng)網(wǎng)絡(luò)中，淺層特征具有低級(jí)語(yǔ)義信息對(duì)小目標(biāo)檢測(cè)效果好，而深層特征具有高級(jí)語(yǔ)義信息對(duì)大目標(biāo)物體檢測(cè)效果較好。SSD[3]在不同比例的特征圖上進(jìn)行物體檢測(cè)，它在卷積神經(jīng)網(wǎng)絡(luò)的頂部添加幾個(gè)額外的新的卷積層，并使用新的卷積層檢測(cè)物體。SSD網(wǎng)絡(luò)較好地利用深層特征，以及重復(fù)使用來(lái)自不同層的多比例特征。FPN[4]和DSSD[5]利用橫向連接的方式有效地結(jié)合深層特征圖和淺層特征圖，雖然提升了物體檢測(cè)的精度，同時(shí)也造成計(jì)算成本的增加。

針對(duì)視頻中多旋翼無(wú)人機(jī)難以實(shí)時(shí)檢測(cè)，以及小目標(biāo)無(wú)人機(jī)檢測(cè)不準(zhǔn)確的問(wèn)題，本文提出一種多層級(jí)特征識(shí)別無(wú)人機(jī)的方法，它能有效的融合深層和淺層的特征信息，提升檢測(cè)精度。該方法主要通過(guò)前向跨階段連接和反向特征構(gòu)建兩部分產(chǎn)生具有豐富語(yǔ)義信息的特征圖。網(wǎng)絡(luò)中具有相同大小的特征圖稱(chēng)為一個(gè)階段。前向跨階段連接將神經(jīng)網(wǎng)絡(luò)每一階段的輸出層輸入到其余階段的輸入層，該連接方式可以有效的保證網(wǎng)絡(luò)中的信息流。反向特征構(gòu)建部分是將上采樣得到特征圖與前向傳播得到的特征圖進(jìn)行相加進(jìn)而得到新的不同比例的特征圖，該融合方法可以產(chǎn)生具有豐富語(yǔ)義的特征圖，如圖1所示。

本文的創(chuàng)新點(diǎn)：

1）本文針對(duì)小目標(biāo)無(wú)人機(jī)檢測(cè)不準(zhǔn)確的問(wèn)題，提出多層級(jí)特征融合的方法，使包含小目標(biāo)信息的淺層特征圖，能夠有效的傳播到深層特征圖中，同時(shí)采用多層特征檢測(cè)無(wú)人機(jī)，進(jìn)而提升無(wú)人機(jī)檢測(cè)精度。

2）針對(duì)實(shí)時(shí)監(jiān)測(cè)無(wú)人機(jī)的問(wèn)題，本文使用光流法在相鄰幀之間傳播特征圖，以及在網(wǎng)絡(luò)階段連接中，設(shè)計(jì)了窄通道的網(wǎng)絡(luò)特征，既減少網(wǎng)絡(luò)的參數(shù)量，降低網(wǎng)絡(luò)運(yùn)行成本，保證網(wǎng)絡(luò)運(yùn)行速度，也防止信息冗余的出現(xiàn)。

圖1 多層級(jí)特征識(shí)別無(wú)人機(jī)

1 相關(guān)工作

目前，無(wú)人機(jī)檢測(cè)主要采用深度神經(jīng)網(wǎng)絡(luò)的方法提取特征進(jìn)行檢測(cè)。在網(wǎng)絡(luò)中主要有四種方式進(jìn)行物體檢測(cè)：方法一是使用神經(jīng)網(wǎng)絡(luò)最后一層的特征圖進(jìn)行檢測(cè)物體，方法二是把多層特征疊加在一起形成新的特征圖，在新的特征圖上進(jìn)行物體檢測(cè)，方法三是使用多層特征進(jìn)行檢測(cè)，方法四是組合方法二和方法三。

對(duì)于第一種方法，如RCNN[6]、SPPnet[7]、Faster R-CNN[2]、Fast R-CNN[8]、RFCN[9]和YOLO[10]等僅僅使用卷積神經(jīng)網(wǎng)絡(luò)的最后一層特征檢測(cè)物體。神經(jīng)網(wǎng)絡(luò)中的每一層特征關(guān)注點(diǎn)都是不同的，這類(lèi)方法忽視了淺層特征的信息。

對(duì)于第二種方法，如ION[11]融合多層特征進(jìn)行物體檢測(cè)，HyperNet[12]通過(guò)融合淺層、中層、深層的特征來(lái)獲取包含豐富語(yǔ)義信息的特征圖。這類(lèi)方法通過(guò)組合淺層和深層的特征來(lái)獲取高質(zhì)量的特征圖，增加網(wǎng)絡(luò)計(jì)算成本。

對(duì)于第三種方法，如MS-CNN[13]和SSD[14]在卷積神經(jīng)網(wǎng)絡(luò)頂部增加幾個(gè)額外卷積層，并在新的卷積層上進(jìn)行物體檢測(cè)。這類(lèi)方法沒(méi)有較好的使用淺層的信息，導(dǎo)致不能較好的檢測(cè)小目標(biāo)物體。

對(duì)于第四種方法，使用多層特征來(lái)預(yù)測(cè)物體，并且每一層特征包含不同深度的信息。如FPN[15]使用橫向鏈接的方式來(lái)產(chǎn)生具有豐富語(yǔ)義的特征圖，DSSD[5]通過(guò)反卷積的方法產(chǎn)生新的特征圖，然后將新的特征圖與淺層特征融合產(chǎn)生最終的特征圖，最后在產(chǎn)生的特征圖上檢測(cè)物體。這類(lèi)方法提升了特征圖語(yǔ)義信息的同時(shí)，也帶來(lái)計(jì)算成本的增加。

本文提出的方法提高了檢測(cè)精度和網(wǎng)絡(luò)運(yùn)行的速度，該方法主要包含兩個(gè)部分：前向跨階段連接和反向特征構(gòu)建。前向跨階段連接將神經(jīng)網(wǎng)絡(luò)每一階段的輸出層輸入到其余階段的輸入層，反向特征構(gòu)建部分是把上采樣得到特征圖與前向傳播得到的特征圖進(jìn)行相加進(jìn)而得到新的不同比例的特征圖。在前向跨階段連接和反向特征構(gòu)建兩部分，本文進(jìn)行了權(quán)衡特征通道數(shù)量的實(shí)驗(yàn)，選取最優(yōu)通道數(shù)量，保證網(wǎng)絡(luò)檢測(cè)精度和運(yùn)行速度。

2 多層級(jí)特征網(wǎng)絡(luò)構(gòu)建及網(wǎng)絡(luò)結(jié)構(gòu)

2.1 多層級(jí)特征網(wǎng)絡(luò)構(gòu)建

本文定義G(.)和Z(.)是在神經(jīng)網(wǎng)絡(luò)中的非線(xiàn)性變換操作。它包含激活、卷積和上采樣等操作。

1）卷積網(wǎng)絡(luò)

本文在ResNets[16]網(wǎng)絡(luò)上構(gòu)建多層級(jí)特征，同時(shí)認(rèn)為網(wǎng)絡(luò)中具有相同大小的特征圖為一個(gè)階段。在網(wǎng)絡(luò)每個(gè)階段中，采用跳躍式連接的方法，使梯度流可以直接從輸入層到輸出層，同時(shí)使信息流也被限制在每個(gè)階段中；反向構(gòu)建多層級(jí)特征時(shí)，將深層特征與淺層特征融合，產(chǎn)生具有豐富語(yǔ)義信息的特征圖。

2）跨階段連接

為了使網(wǎng)絡(luò)中的信息流跨階段傳輸，本文提出一種新的特征連接方式：前向跨階段連接。它可以把某個(gè)階段的輸出層直接輸入到后續(xù)階段的輸入層。如圖1所示，l階段的第一層接受以前所有階段輸出層。

l代表卷積神經(jīng)網(wǎng)絡(luò)中第l個(gè)階段，xl代表第l階段的輸出特征，xl0代表第l階段的輸入特征，H（x）是代表進(jìn)行卷積（如式(2)所示），H（H（xl0）+F（x））代表網(wǎng)絡(luò)中某一階段的卷積操作，F(xiàn)（x）表示對(duì)l階段之前所有階段輸出先進(jìn)行相加操作進(jìn)而做卷積操作。前向跨階段連接使網(wǎng)絡(luò)中淺層的信息直接傳遞到網(wǎng)絡(luò)深層，使本文提出的網(wǎng)絡(luò)更容易聚合以及防止網(wǎng)絡(luò)過(guò)擬合，如圖1上半部分所示。

w是權(quán)重矩陣，x為特征參數(shù)，b是偏置參數(shù)。

3）反向特征構(gòu)建

為了使網(wǎng)絡(luò)更好地檢測(cè)小目標(biāo)物體，本文提出反向特征構(gòu)建的方法，它能更好地從淺層特征中獲取信息。一個(gè)反向特征構(gòu)建塊如圖2所示，首先對(duì)反向融合圖（n+1層）做反卷積操作，得到一個(gè)與前一層（n層）相同大小的特征圖，然后把新的特征圖與第n層特征圖相加得到反向融合圖。其中每個(gè)反向特征構(gòu)建塊以相同方式產(chǎn)生，如圖1所示。

F（n+1）代表第n+1層的反向融合圖，fn代表前向傳播中第n層的特征圖，Z（.）代表反卷積[24]操作。

圖2 反向特征構(gòu)建塊

4）組合函數(shù)

神經(jīng)網(wǎng)絡(luò)中每個(gè)階段的特征圖大小是不同的，為保證不同階段的特征圖有效連接，在跨階段連接中本文定義了復(fù)合函數(shù)G（.），如圖3所示，它包含1×1卷積層、激活層（ReLU）（式(4)）和2×2pooling層（Avg）。在反向特征構(gòu)建中，為有效結(jié)合淺層特征和深層特征的信息，本文定義的反卷積操作Z（.），它包含3×3卷積層和激活層（ReLU）。

圖3 不同階段特征圖相加示意圖

wTx+b是神經(jīng)元的線(xiàn)性變換。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)

本文提出的方法有效的提升了在視頻中無(wú)人機(jī)檢測(cè)的精度，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，主要包含基礎(chǔ)網(wǎng)絡(luò)、光流網(wǎng)絡(luò)和檢測(cè)網(wǎng)絡(luò)三部分。

圖4 網(wǎng)絡(luò)結(jié)構(gòu)

1）基礎(chǔ)網(wǎng)絡(luò)

文章采用多層級(jí)特征網(wǎng)絡(luò)提取無(wú)人機(jī)特征。這個(gè)網(wǎng)絡(luò)預(yù)訓(xùn)練在ImageNet數(shù)據(jù)集上，在收集的無(wú)人機(jī)數(shù)據(jù)集上進(jìn)行微調(diào)。

2）光流網(wǎng)絡(luò)

在視頻中相鄰幀的圖像內(nèi)容是非常相似的，這導(dǎo)致相鄰幀的特征也很相似，因此文章中使用光流的方法在相鄰幀之間傳播特征，圖5展示了其傳播過(guò)程。本文的網(wǎng)絡(luò)采用FlowNet[17]結(jié)構(gòu)進(jìn)行多層級(jí)特征傳遞，它預(yù)訓(xùn)練在Flying chairs[17]數(shù)據(jù)集上。本文給定卷積輸出結(jié)果為y=C（I），所有的視頻幀Ii，i=0，…，∞。

本文的光流網(wǎng)絡(luò)分解成兩個(gè)連續(xù)的子網(wǎng)絡(luò)。第一個(gè)子網(wǎng)絡(luò)Cfeat，被稱(chēng)為特征網(wǎng)絡(luò)，是完全卷積神經(jīng)網(wǎng)絡(luò)，并輸出多個(gè)特征圖，f=Cfeat（I）。第二個(gè)子網(wǎng)絡(luò)Cfeat，被稱(chēng)為任務(wù)網(wǎng)絡(luò)，是在特征圖上執(zhí)行檢測(cè)任務(wù)，y=Ctask（f）。具體來(lái)說(shuō)，特征網(wǎng)絡(luò)Cfeat只在關(guān)鍵幀運(yùn)行，非關(guān)鍵貞Ii的特征圖則由上一個(gè)關(guān)鍵貞Ik的特征圖傳播得到。

令Hi→k，為二維流場(chǎng)，由流估計(jì)算法F獲得，則Hi→k=F（Ik，Ii），特征圖被雙線(xiàn)性插值算法調(diào)整到相同空間分辨率上進(jìn)行傳播。它將當(dāng)前幀i中的位置p投影到關(guān)鍵幀k中的位置p+δp，δp=Hi→k(p)。

則通過(guò)雙線(xiàn)性插值來(lái)實(shí)現(xiàn)特征形變：

其中c為特征圖f中的通道，q是枚舉了特征圖中所有的空間位置，G（.）表示雙線(xiàn)性插值的內(nèi)核。

由于流估計(jì)錯(cuò)誤等造成空間形變計(jì)算不準(zhǔn)確，為更好的近似特征，我們添加一個(gè)比例函數(shù)Z，Zi→k=Z（Ik，Ii）。

最后，特征傳播函數(shù)定義為：

其中W是對(duì)每層特征圖所有通道使用式(5)。

圖5 光流網(wǎng)絡(luò)示意圖

3）檢測(cè)網(wǎng)絡(luò)

本文使用R-FCN[18]網(wǎng)絡(luò)檢測(cè)無(wú)人機(jī)，同時(shí)把基礎(chǔ)網(wǎng)絡(luò)提取的特征劃分為兩部分，一部分用來(lái)做區(qū)域提取，另一部分做物體檢測(cè)。

本文使用PRN[9]網(wǎng)絡(luò)做區(qū)域提議，它包含了n=9種不同比例不同大小的錨。在基礎(chǔ)網(wǎng)絡(luò)提取的特征圖上，通過(guò)滑動(dòng)1×1卷積來(lái)獲取無(wú)人機(jī)識(shí)別得分和邊界回歸值，它們的維度分別是2n和4n。每張圖片的閾值為0.7，使用非極大值抑制的方法產(chǎn)生300個(gè)區(qū)域提議的框。

在檢測(cè)過(guò)程中，本文在特征圖上執(zhí)行1×1卷積獲得位置敏感得分圖和邊界回歸圖，它們的維度分別是2k2和4k2。由Fast R-CNN[19]可知，使用ROI Pooling層產(chǎn)生類(lèi)別得分和回歸結(jié)果。檢測(cè)過(guò)程中的閾值設(shè)置為0.3，使用非極大值抑制的方法獲得最終結(jié)果。

4）損失函數(shù)

論文采用聯(lián)合損失函數(shù)，它包含兩個(gè)子網(wǎng)絡(luò)，第一個(gè)是離散概率分布值p=（p0，p1），p0是無(wú)人機(jī)背景的概率，p1是無(wú)人機(jī)前景的概率，如式(7)所示。

第二部分邊界框回歸補(bǔ)償t=（tx，ty，tw，th），t是相對(duì)于物體區(qū)域提議的空間變化的值。同時(shí)本論文對(duì)每一個(gè)感興趣區(qū)域（ROI）的分類(lèi)和邊界回歸進(jìn)行聯(lián)合訓(xùn)練：

u是每個(gè)ROI真實(shí)標(biāo)簽，v是邊界回歸的目標(biāo)，Lcls（p，u）=-log pu是對(duì)真實(shí)標(biāo)簽u的log損失。對(duì)于損失函數(shù)的第二部分Lloc中，v=（vx，vy，vw，vh）是真實(shí)的邊界框回歸值，是對(duì)無(wú)人機(jī)坐標(biāo)的預(yù)測(cè)值。對(duì)于邊界回歸使用的損失函數(shù)：

其中函數(shù)smooth L1為：

對(duì)于邊界框回歸，將坐標(biāo)參數(shù)化為4個(gè)值：

其中x,y,w,h分別是物體的中心坐標(biāo)以及它的寬和高，x,x_a,x^*分別是預(yù)測(cè)值，錨值和真實(shí)值（y,w,h類(lèi)似）。

在公式8中的超參數(shù)?控制兩個(gè)損失函數(shù)的平衡，論文中將目標(biāo)回歸值v_i進(jìn)行歸一化處理，使其均值和單位方差為零，論文中所有實(shí)驗(yàn)?=0.9。

3 實(shí)驗(yàn)結(jié)果和分析

論文所有實(shí)驗(yàn)在 NVIDIA TITAN V GPU上測(cè)試。

3.1 實(shí)驗(yàn)數(shù)據(jù)和預(yù)訓(xùn)練

論文使用python爬蟲(chóng)在互聯(lián)網(wǎng)上爬取多旋翼無(wú)人機(jī)照片，然后進(jìn)行數(shù)據(jù)清洗、標(biāo)注等工作。訓(xùn)練集有6272張圖片，測(cè)試集有5060張圖片。

本文網(wǎng)絡(luò)使用SGD的方法在ImageNet數(shù)據(jù)集上首先進(jìn)行預(yù)訓(xùn)練，預(yù)訓(xùn)練時(shí)在8個(gè)GPU上總共迭代60K次，學(xué)習(xí)率設(shè)置為10-3。預(yù)訓(xùn)練完成后，在搜集的無(wú)人機(jī)數(shù)據(jù)集上訓(xùn)練15次進(jìn)行網(wǎng)絡(luò)微調(diào)。實(shí)驗(yàn)中使用平均精度作為實(shí)驗(yàn)的檢測(cè)結(jié)果。

3.2 實(shí)驗(yàn)結(jié)果

3.2.1 消融實(shí)驗(yàn)

在消融實(shí)驗(yàn)中，論文采用沒(méi)有前向特征鏈接和反向特征構(gòu)建的Resnet網(wǎng)絡(luò)作為原始網(wǎng)絡(luò)（表1（a）、（e）、（i））分別為Resnet-50、Resnet-101、Resnet-152，并對(duì)多旋翼無(wú)人機(jī)進(jìn)行檢測(cè)。表1（b）是移除多層級(jí)特征前向特征鏈接部分，它使用網(wǎng)絡(luò)多層特征進(jìn)行無(wú)人機(jī)識(shí)別。根據(jù)表1和圖6可知，對(duì)多旋翼無(wú)人機(jī)檢的檢測(cè)精度表1（b）是低于多層級(jí)網(wǎng)絡(luò)檢測(cè)（表1（d）），造成這個(gè)原因可能是淺層特征的信息沒(méi)有較好的傳播到深層特征中。表1（c）展示了網(wǎng)絡(luò)沒(méi)有進(jìn)行反向特征構(gòu)建的實(shí)驗(yàn)結(jié)果，該網(wǎng)絡(luò)僅僅使用最后一層特征進(jìn)行無(wú)人機(jī)檢測(cè)，它對(duì)多旋翼無(wú)人機(jī)檢測(cè)的精度也低于多層級(jí)特征檢測(cè)（表1（b）），造成這種現(xiàn)象的原因可能是在檢測(cè)時(shí)沒(méi)有使用淺層特征。同樣道理，基于Resnet-101網(wǎng)絡(luò)和Resnet-152網(wǎng)絡(luò)的多層級(jí)特征識(shí)別網(wǎng)絡(luò)，在消融實(shí)驗(yàn)中也展現(xiàn)出較好的識(shí)別準(zhǔn)確率。

表1 消融實(shí)驗(yàn)

圖6 不同網(wǎng)絡(luò)中無(wú)人機(jī)識(shí)別精度及速度比較

3.2.2 實(shí)驗(yàn)比較

論文對(duì)多層級(jí)特征網(wǎng)絡(luò)與原始網(wǎng)絡(luò)進(jìn)行了對(duì)比，表1總結(jié)了它們的檢測(cè)精度和運(yùn)行速度。在實(shí)驗(yàn)中，本文使用R-FCN網(wǎng)絡(luò)對(duì)多旋翼無(wú)人機(jī)進(jìn)行檢測(cè)。根據(jù)表1，可知多層級(jí)特征網(wǎng)絡(luò)

檢測(cè)的精度高于其原始網(wǎng)絡(luò)。當(dāng)使用Resnet-50作為原始網(wǎng)絡(luò)時(shí)，多層級(jí)特征網(wǎng)絡(luò)的識(shí)別精度和速度分別為85.3%和21.21fps，同樣條件下，原始網(wǎng)路的識(shí)別精度和速度分別為76.1%和22.35fps。當(dāng)使用Resnet-101網(wǎng)絡(luò)時(shí)，多層級(jí)檢測(cè)網(wǎng)絡(luò)的精度為93.2%，遠(yuǎn)遠(yuǎn)高于原始網(wǎng)絡(luò)，速度卻只慢一點(diǎn)點(diǎn)。同樣條件下，使用Resnet-152網(wǎng)絡(luò)時(shí)，多層級(jí)特征網(wǎng)絡(luò)識(shí)別的精度達(dá)到了97.1%，遠(yuǎn)遠(yuǎn)高于原始網(wǎng)絡(luò)識(shí)別精度。實(shí)驗(yàn)結(jié)果表明，本文提出的多層級(jí)特征識(shí)別無(wú)人機(jī)的方法，具有較好的識(shí)別準(zhǔn)確率與運(yùn)行速度。

本文將多層級(jí)特征識(shí)別方法與現(xiàn)有的物體檢測(cè)方法做了比較（如表2所示），根據(jù)表2可知，在相同條件下，本文提出的方法在識(shí)別無(wú)人機(jī)時(shí)，不論是精度或是速度都遠(yuǎn)遠(yuǎn)超過(guò)各類(lèi)物體檢測(cè)的方法，具有明顯優(yōu)勢(shì)。

表2 多旋翼無(wú)人機(jī)運(yùn)行結(jié)果

3.2.3 通道數(shù)量的權(quán)衡實(shí)驗(yàn)

本論文對(duì)多層級(jí)特征識(shí)別網(wǎng)絡(luò)的前向特征連接階段進(jìn)行了通道數(shù)量的權(quán)衡實(shí)驗(yàn)，結(jié)果總結(jié)在表3中。根據(jù)表3和圖7可知，論文中采取不同數(shù)量的通道數(shù)其結(jié)果是不同的，當(dāng)把特征壓縮為一個(gè)通道數(shù)、兩個(gè)通道數(shù)、四個(gè)通道數(shù)時(shí)，它們的識(shí)別精度是非常相似的，但是隨著通道數(shù)量的增加，其精度和速度逐漸降低，造成這種現(xiàn)象的原因可能是隨著通道數(shù)的增加，導(dǎo)致了網(wǎng)絡(luò)產(chǎn)生信息冗余和參數(shù)的增長(zhǎng)，從而導(dǎo)致其精度降低和速度變慢。

通過(guò)權(quán)衡實(shí)驗(yàn)，在保證精度的前提下不犧牲速度，本論文將特征壓縮為一個(gè)特征通道。

表3 在不同通道數(shù)上精度和速度的比較

圖7 通道數(shù)量實(shí)驗(yàn)比較

3.2.4 結(jié)果分析

本論文提出的多層級(jí)特征識(shí)別無(wú)人機(jī)的方法，可以對(duì)文件中無(wú)人機(jī)視頻和攝像頭拍攝的無(wú)人機(jī)視頻流進(jìn)行實(shí)時(shí)監(jiān)測(cè)。根據(jù)圖8展示的無(wú)人機(jī)識(shí)別效果圖，我們可知該方法能夠準(zhǔn)確、有效地的識(shí)別多旋翼無(wú)人機(jī)。

在實(shí)驗(yàn)中，我們通過(guò)前向跨階段連接、反向特征構(gòu)建、相鄰幀之間光流傳播以及壓縮特征通道的方式，使特征圖包含了豐富的語(yǔ)義信息，提升無(wú)人機(jī)檢測(cè)精度和速度。根據(jù)實(shí)驗(yàn)比較結(jié)果可知，該方法對(duì)無(wú)人機(jī)檢測(cè)獲得了一個(gè)較好的精度，對(duì)多旋翼無(wú)人機(jī)的識(shí)別準(zhǔn)確率達(dá)到了97.1%。本論文在設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，壓縮了網(wǎng)絡(luò)的特征通道的數(shù)量，減少了網(wǎng)絡(luò)參數(shù)量，避免了以犧牲速度來(lái)?yè)Q取檢測(cè)精度的代價(jià)，因此多層級(jí)特征識(shí)別無(wú)人機(jī)的方法在所有網(wǎng)絡(luò)中識(shí)別多旋翼無(wú)人機(jī)的精度遠(yuǎn)遠(yuǎn)高于其原始網(wǎng)絡(luò)，而檢測(cè)的速度卻相差不多。

實(shí)驗(yàn)證明，本文提出的基于神經(jīng)網(wǎng)絡(luò)多層級(jí)識(shí)別無(wú)人機(jī)的方法具有較好的性能。它是一個(gè)靈活的、端到端的框架，能夠在網(wǎng)絡(luò)的不同階段傳播信息流，產(chǎn)生具有豐富語(yǔ)義的特征圖，相比較于其他方法，該方法具有較好的檢測(cè)性能。

圖8 無(wú)人機(jī)識(shí)別效果

4 結(jié)語(yǔ)

針對(duì)視頻中目標(biāo)較小的無(wú)人機(jī)識(shí)別能力差、檢測(cè)不準(zhǔn)確、無(wú)法實(shí)時(shí)檢測(cè)等問(wèn)題，本文提出一種基于神經(jīng)網(wǎng)絡(luò)多層級(jí)特征識(shí)別無(wú)人機(jī)的方法。該方法有效利用淺層特征信息和深層特征信息，以及在不同比例的特征圖上檢測(cè)無(wú)人機(jī)，提升了無(wú)人機(jī)的檢測(cè)精度，同時(shí)在相鄰幀特征之間使用光流法，有效的降低計(jì)算成本，提升網(wǎng)絡(luò)運(yùn)行速度。并且在多旋翼無(wú)人機(jī)數(shù)據(jù)集上識(shí)別準(zhǔn)確率達(dá)到了97.1%。