版权声明
作者允许以下形式的使用
1、 在参与大学生人工智能比赛撰写报告时用作参考资料。
2、 在论文、报告中引用。但是需要注明来源以及作者。
3、 在发表的文章中引用本文的部分内容。但是需要注明来源以及作者。
以下形式的使用需要向作者发送邮件获取授权
1、 下载本文档上传到其他文档平台公开并提供免费下载。
2、 将本文改编并发表到刊物或者校报。
以下形式的使用我们严格禁止
1、 下载本文档并上传到其他文档平台公开并要求付费或者网站积分下载。
2、 篡改文章内容并以个人的名义发表。
3、 未经作者允许商业化使用。
1
成都理工大学第一届人工智能大赛
程序说明文档程序赛道
目录
一、程序简介. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2
1. 1程序名称以及参赛团队信息. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2
1. 1. 1参赛团队. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2
1. 1.2程序名称. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3
1.2程序功能. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3
1.2. 1机器学习训练模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3
1.2.2遥感识别模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3
1.3识别正确率. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3
二、程序文件说明. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4
三、程序步骤、流程图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4
3. 1模型的框架. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4
3. 1. 1程序的构成. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4
3. 1. 1 yolo_v3模型框架. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5
3.2简单流程图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5
3.2. 1训练模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5
3.2.2预测模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6
3.3训练过程部分截图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7
四、程序运行说明. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
4. 1程序的运行环境要求. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
4. 1. 1机器学习训练模块运行需要的环境. . . . . . . . . . . . . . . . . . . . . . . . .9
4. 1.2遥感识别模块运行需要的环境. . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
4.2程序的使用方法、输入与输出. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
4.2. 1机器学习训练模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
4.2.2遥感预测模块. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
五、程序自测截图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .11
5. 1训练过程的截图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .11
5.2验证过程的截图. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12
六、其它说明. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .16
6. 1原始数据的标注修改. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .16
一、程序简介
1. 1程序名称以及参赛团队信息
1. 1. 1参赛团队
队名 AIErrorLog
2
团队成员 5人
选题遥感识别
1. 1.2程序名称
程序名称 RemoteSenseYolo
版本 V0.9
开发环境 WindowsX64Python 3.6 TensorFlow1. 13. 1
1.2程序功能
RemoteSenseYolo程序包括了两个模块机器学习训练模块Train和遥感预测模块Yolo_predict。其功能分别是训练模型检测遥感图片中的对象并生成相关的权重文件和基于已有的权重文件识别预测新的遥感图像中的机场、港口、桥梁等对象。
1.2. 1机器学习训练模块
该模块基于已经人工标注的特征文件和对应的图片文件进行有监督学习提取图片中检测目标的特征数据进行学习和处理后生成权重文件供遥感识别模块使用。
1.2.2遥感识别模块
基于训练生成的权重文件读取待测遥感图片识别图像中的港口 Harbor、飞机场Airport、桥梁Bridge对象并由程序自动在图片上进行框选和标注,然后将框选出对象的图片展示给用户输出检测出的目标个数 以及预测过程所用的时长。
1.3识别正确率
我们对30张单独只有机场的图片 30张单独只有港口的图片 30张单独只有桥梁的图片 20张包含了桥梁和机场的图片 8张包含了桥梁和港口的图片 20张以贴图方式混合了桥梁港口机场的图片使用该程序进行预测然后通过人工方式对比程序标注的图片和原始图片上的对象。
评判的标准为
1 对象检测率以x表示以程序是否将图上的对象标记出来标签是否正
确为标准。同时包含两种对象的图片只识别出一种对象视为预测失败
不计入统计数据。此项占综合评测权重的40%。
2 框选正确率以y表示以对象是否大部分落在框选的范围内为标准。此
项占综合评测权重的30%。
3 误判率以z表示以程序预测结果中是否含有错误的标记错误标记的
数量占总数的百分比为准。此项占综合评测权重的30%。
加权单项识别正确率的计算公式为
P0=x*40%+y*30%-z*30%
综合识别正确率的计算方法
分别取机场权重为15%桥权重10%港口权重15%机场和桥梁权重15%港口和
桥梁权重20%综合图片权重25%。
程序预测结果如下表
综合以上数据加权计算后粗略计算得预测的综合正确率为0.2548。
二、程序文件说明
程序包含的文件主要有
三、程序步骤、流程图
3. 1模型的框架
3. 1. 1程序的构成
程序底层基于TensorFlow神经网络使用Karas基于yolo_v3框架构建。关系图如下
3. 1. 1yolo_v3模型框架
该结构图引用自CSDN详见参考文献1
为了让yolo_v3结构图更好理解对结构图做一些补充解释
DBL:如图左下角所示也就是代码中的Darknetconv2d_BN_Leaky是yolo_v3的基本组件。就是卷积+BN+Leakyrelu。对于v3来说 BN和leaky relu已经是和卷积层不可分离的部分了(最后一层卷积除外) 共同构成了最小组件。resn n代表数字有res1 res2, „,res8等等表示这个res_block里含有多少个res_unit。这是yolo_v3的大组件 yolo_v3开始借鉴了ResNet的残差结构使用这种结构可以让网络结构更深(从v2的darknet-19上升到v3的darknet-53前者没有残差结构) 。对于res_block的解释可以在图1的右下角直观看到其基本组件也是DBL。concat张量拼接。将darknet中间层和后面的某一层的上采样进行拼接。拼接的操作和残差层add的操作是不一样的拼接会扩充张量的维度而add只是直接相加不会导致张量维度的改变。 1
3.2简单流程图
3.2. 1训练模块
3.2.2预测模块
3.3训练过程部分截图
7
8
今天看到群里的老秦同学在布局自己的网站项目,这个同学还是比较奇怪的,他就喜欢用这些奇怪的域名。比如前几天看到有用.in域名,个人网站他用的.me域名不奇怪,这个还是常见的。今天看到他在做的一个范文网站的域名,居然用的是 .asia 后缀。问到其理由,是有不错好记的前缀。这里简单的搜索到.ASIA域名的新注册价格是有促销的,大约35元首年左右,续费大约是80元左右,这个成本算的话,比COM域名还贵。...
提速啦(www.tisula.com)是赣州王成璟网络科技有限公司旗下云服务器品牌,目前拥有在籍员工40人左右,社保在籍员工30人+,是正规的国内拥有IDC ICP ISP CDN 云牌照资质商家,2018-2021年连续4年获得CTG机房顶级金牌代理商荣誉 2021年赣州市于都县创业大赛三等奖,2020年于都电子商务示范企业,2021年于都县电子商务融合推广大使。资源优势介绍:Ceranetwo...
瓜云互联怎么样?瓜云互联之前商家使用的面板为WHMCS,目前商家已经正式更换到了魔方云的面板,瓜云互联商家主要提供中国香港和美国洛杉矶机房的套餐,香港采用CN2线路直连大陆,洛杉矶为高防vps套餐,三网回程CN2 GIA,提供超高的DDOS防御,瓜云互联商家承诺打死退款,目前商家提供了一个全场9折和充值的促销,有需要的朋友可以看看。点击进入:瓜云互联官方网站瓜云互联促销优惠:9折优惠码:联系在线客...