34、深度学习在目标检测与图像分类中的创新应用

深度学习在目标检测与图像分类中的创新应用

基于深度学习的目标级语义闭环检测算法

SLAM（同时定位与地图构建）是赋予移动机器人空间感知能力的关键技术。随着深度学习的迅速发展，目标检测和语义分割等技术逐渐成熟，为机器人获取语义感知能力提供了技术支持。

传统闭环检测方法的局限性

早期的闭环检测使用特征点，但计算成本高，难以用于实时SLAM系统。目前广泛使用的基于BOW（词袋模型）的算法，需要大量内存存储视觉单词，且对光照强度变化敏感，仅在已知环境中效果较好。

YOLO v3网络结构与检测流程

YOLO v3是在darknet网络架构上实现的端到端目标检测算法。其检测流程如下：
1. 将输入图像缩放到指定尺度，以满足网络架构要求。
2. 将图像划分为不同单元格，每个单元格负责中心点落在该单元格的目标。
3. 采用非极大值抑制排除多余结果，先获取置信度最高的目标框，计算其他目标框与该框的IOU（交并比），当IOU大于一定阈值时排除相应目标框，得到无重叠且置信度最高的目标框。

深度学习闭环检测算法设计

• 有效语义信息提取 ：相机采集的图像信息经网络处理后，得到当前帧的语义信息，包括目标类别、单个目标置信度和目标在图像中的位置。选择置信度大于70%的目标信息来表征当前图像，提高YOLO v3目标检测网络的容错率。将过滤后的语义信息组成字符串，通过比较字符串判断当前图像与历史关键帧图像是否相同，进而判断两幅图像中目标的类型和数量是否一致。有效信息数据库中的目标类型如下表所示：
  | 目标类型名称 |