基于深度学习的无人机航拍图像自适应样本标定方法研究
文献综述
（一）历史发展
传统森林资源调查方式主要为人工实地调查，需耗费大量人力物力与时间。随着先进遥感技术开始被引用于林业领域，使得准确、便捷地实现树种识别成为可能。目前，高光谱遥感影像有着大量的光谱信，但高光谱数据的空间分辨率较低；雷达数据虽然可以较好地反映森林结构信息，但雷达传感器重量较大，需要搭载在小型飞机上，价格昂贵；卫星图像的空间分辨率较低，无法精确识别小区域范围内各植被的分布，并受重访周期和天气状况的限制，无法满足森林资源高精度调查的需求。近年来，轻小型无人机作为一种新型获取数据来源的技术设备，以其成本低、轻巧灵活、方便、安全、快速获取高分辨率影像的优点使无人机技术在森林资源调查和动态监测中发挥巨大优势。
图像分类是计算机视觉领域的热门研究方向之一。传统的图像分类研究中，多数为基于图像特征的分类，即根据不同类别图像的差异，利用图像处理算法提取相应的经过定性或定量表达的特征，对这些特征进行数学统计分析或使用分类器输出分类结果。AlexNet在大型图像数据库 ImageNet 的图像分类竞赛中首次实现了 15.4% Top-5 错误率并夺得冠军，促使卷积神经网络的研究成为学术界的焦点。此后深度学习领域陆续出现了VGGNet、ResNet、DenseNet等优秀模型。相较于传统的图像分类方法，深度学习不需要对目标图像进行人工特征描述和提取，而是通过神经网络自主地从训练样本中学习特征，提取出更高维、抽象的特征，这些特征与分类器关系紧密，泛化能力更好。
（二）现状分析
1. 林志伟团队（2019）[1][2]利用低空航拍光学图像构建FC-DenseNet模型进行树种识别。下采样降低图像维度，凸显纹理等重要特征；利用Dense模块提取树种图像特征，并在上采样还原图像时融合Dense模块的丰富特征；最后用softmax分类器实现像素分类。结果在植被与非植被分类上识别精度达到92.1%，在13类树种识别中精度达到75.67%。
2. 焦振田（2019）[3]基于所构建森林火灾检测无人机平台，构建YOLOv3模型进行实时地面目标检测。将森林火灾图像分成S*S的单元，通过尺寸聚类方法对坐标进行归一化；用logistic回归预测边框得分和可能类别，计算置信度进行预测。结果在地面端上识别率可达83%，视频检测速率可达3.2fps以上。
3. 武强团队（2019）[5]基于无人机航拍图像，利用三维重建的SFM算法进行三维重建实验。韩超（2019）[4]还将深度学习网络与传统SFM算法结合进行探索性研究，验证其应用于无人机的视觉辅助导航中的潜力。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
