2024年3月11日发(作者：连晓瑶)
ISSN1009-3044
Computer
Knowledge
Knowledge
and
and
Technology
Technology
电脑知识
电脑知识
与技术
Computer
与技术
Vol.17,No.15
May
2021
E-mail：*************.cn
第17卷第15期(2021年5月)
http：//
Tel：+86-551-6569
基于TINYYOLO2神经网络视觉翻译棒
刘潇元，任钊婷，杨晨
（西北民族大学，甘肃兰州730030）
摘要：2015年10月，AlphaGo在没有任何让子的情况下，以5：0的悬殊比分击溃欧洲围棋冠军樊麾二段。随即第二年六月
战胜第一围棋手柯洁。人工智能初露锋芒，而在当今人工智能的发展下各个产业出现了新的转变，人脸识别，视网膜识
别，虹膜识别，掌纹识别，专家系统，无人驾驶，智能搜索，定理证明，博弈等人工智能逐渐改变着人们的生活，神经网络在
图像处理的运用上更加广泛，常应用于车辆检测、目标分类识别。本项目意在通过YOLO2的剪枝算法TINYyolo2实现在
嵌入式soc上进行目标检测达到图像转文字的目的。再尔，通过云服务实现文字转语音的服务。完成整个项目的目的，即
图像转文字的过程，适用于幼儿教学市场。
关键词：TINYYOLO2；云服务；视觉翻译
中图分类号：TP311文献标识码：A
开放科学（资源服务）标识码（OSID）：
文章编号：1009-3044(2021)15-0182-02
1神经网络单元TPU介绍
在芯片集成度方面,勘智K210采用视听一体化设计。在
机器视觉上,芯片基于自主研发的神经网络加速器KPU,可完成
基于神经网络的图像分类任务,进行人脸识别与检测,以及实时
获取被检测目标的分类。在听觉能力上,芯片自带APU语音处
理单元,最高可支持8路音频数据及16个方向,无须占用CPU即
可实现声源定向、声场成像、波束形成、语音识别与唤醒等
功能。
在算法定制化方面，勘智K210在可编程能力上呈现出更
高的灵活性。首先,相比ARM等架构,勘智K210采用RISC-V
架构,拥有更强的可定制化能力,便于开发者根据具体应用场景
定制算法。其次，芯片搭载FPIOA现场可编程IO阵列,支持
TensorFlow、Keras、Darknet、PaddlePaddle和Caffe等主流AI编程
框架,以及全面的开发文档,对开发者十分友好。
示，YOLO通过对输入图像进行推测，得到图中所有物体的位置
及其所属类别的相应概率。
YOLO的网络模型结构包含有24个卷积层和2个全链接
层，其具体结构如下：
2摄像头
OV7670，本设计采用自带FiFo的模组，使用FIFO模组可
以大大减少K210的计算量，数字摄像头的构成主要是由镜头、
基座、红外滤波片、图像传感器。部分数字摄像头可能带有马
达用以调节像距。本设计中为了提高处理速度，使用CIF格式
的图像格式传输到K210中进行计算，经过实际的测试，空载的
帧率可以达到80FPS。在实际加载上TINYYOLO2的程序测试
可以达到60FPS左右，达到了实际使用的需求。
图1yolo网络模型
4百度云语音合成API
为了减小内存的使用，本项目采用了百度语音合成python
接口，只需要使用http请求的RESTAPI接口，将文本转换为可
以播放的音频文件。再通过K210的播放器进行输出。由于
k210的性能限制，本项目使用内存占用极小的PCM编码，声音
经过采集和处理装置的抽样、量化和编码就实现了脉冲编码调
制。本系统中使用K210的I2S总线连接麦克风模块，模拟声音
信号经过麦克风抽样采集。传送到K210端口，经过K210通过
DAC发送音频放大器，最后由扬声器将PCM编码的声音量播
报出来，实现了语音播报。
PCM以采样技术为定理。采样定理：如果在规定的时间
内，以有效信号最高频率的二倍或二倍以上的速率对该信号进
3识别算法TINYYOLO2
相较于RCNN系列算法，YOLO算法最大的创新在于将物
体检测作为回归问题来求解，而RCNN系列算法是将目标检测
用一个regionproposal+CNN来作为分类问题求解。如下图所
收稿日期：2021-02-11
基金项目：西北民族大学2020年度实验室开放（项目编号：SYSKF-2020029）
作者简介：刘潇元(1999—)，男，重庆人，现就读于西北民族大学本科2017级，研究方向：电子信息过程；任钊婷（1989—），女，甘肃平
凉人，实验师，硕士研究生，研究方向：计算机技术；杨晨（1990—），女，甘肃天水人，本科，实验师，研究方向：物理实验创
新教学、大学生实践创新教学。
182
人工智能及识别技术
本栏目责任编辑：唐一东
第17卷第15期(2021年5月)
行采样，则这些采样信息值中包含了全部原始信号信息。再进
行实际实验时Tinyyolo2在k210平台上帧率能达到60fps+。
5系统菜单设计
为了完成该项目的多个功能需要设计一个菜单搭配按键
进行功能的选择，这里我们采用了有限状态机。也称为FSM，
其特点是任意状态在任意时刻都有对应的下一状态。每个状
态具有同样的属性，当其属性进行转移时，FSM将一直保持消
亡状态。状态转移图中还有两个特殊状态：状态1状态被称为
“起始状态”，表示FSM的初始化状态，状态6称为“结束状态”。
表示成功识别了所有属性而后进入下一流程。使用编程思维
理解，建立结构体数组成员变量使用UP、DOWN、ENTER，来表
示每个状态对应的属性操作。建立Index成员表示当前的序列
号，函数指针表示当前状态所需要执行的函数。通过Index序
号根据用户的操作UP、DOWN或是ENTER来进入下一个所需
要执行的函数。达到逻辑清晰、代码量简洁高效的目的。
图2有限状态机原理图式。
Index
然后我们开始程序设计。CurrerIndex表示当前标号，
入的菜单标号，
表示按下上键跳入的菜单标号，DnIndex表示按下下键跳
Up⁃
(*CurOperate)表示这个菜单对应的函数指针。
EnterIndex表示按下确认键跳入的菜单标号，
图3菜单结构体定义
图4按键扫描函数
本栏目责任编辑：唐一东
ComputerKnowledgeandTechnology
电脑知识
与技术
函数，
Encoder_EC11_Scan()
AA
由于体积大小原因，
函数这个本来是编码器
将旋转编码器替换成了三个按键。
EC11的扫描
下对应引脚接地，
代表上键，BB代表下键，Keyenter键代表确认键。当按键按
lay5ms()
是因为抖动而是人为按下。置
这个函数延迟
引脚电平为
5ms如果这时按键还是低电平，
0。为了消除抖动使用了De⁃
ScanResult返回值为0
就说明不
，1,2,3分
别代表按键没有按下，上键，下键，确认键的按下标志位并作为
函数的返回值返回。
图5菜单执行函数
状态机从0开始，通过Encoder_EC11_Scan()函数来返回用
户的操作键码，通过Switch语句跳转到各个键码对应的操作中
去。如按下上键Encoder_EC11_Scan()函数会返回1。并把此时
菜单上键对应的键码赋值给Fun_index全局变量。然后将对应
的函数指针赋值给CurOperate_Ptr。而后执行函数完成函数的
跳转。
6基本流程
1
2
）k210通过摄像头获取图像；
3
）图像输入变换进入模型比对；
扬声器进行播报。否则返回获取图像继续搜索目标物体。
4
）
）
图像中是否存在目标物体；
存在物体，文本信息送入百度云api进行转化然后送入
图6
7项目总结
本项目将神经网络识别技术与物联网技术结合在一起。
意在通过图像得到语音的输出，适用于早教市场，幼儿外语的
学习。项目的不足，因为是通过网络进行语音转化，所以本项
目离不开网络，必须通过手机开启热点或连接家中wifi使用，本
项目将会继续研究离线的文字语音转化技术。（下转第189页）
人工智能及识别技术
183
第17卷第15期(2021年5月)
[2]QUY,LIC,tDetectionBaseonSupport
VectorMachinefromASingleImage[C]//FifthInternational
ConferenceonInformation,CommunicationsandSignalPro⁃
cessing．IEEE,2006:546-549．
[3]张浩,赵云胜,陈冠宇,等.基于支持向量机的遥感图像建筑物
识别与分类方法研究[J].地质科技情报,2016,35(6):194-199.
[4]BelgiuM,Drăguţforestinremotesensing:areview
ofapplicationsandfuturedirections[J].ISPRSJournalofPhoto⁃
grammetryandRemoteSensing,2016,114:24-31.
[5]马鑫,汪西原,胡博.基于ENVI的CART自动决策树多源遥感
影像分类——以北京市为例[J].宁夏工程技术,2017,16(1):
63-66.
[6]ChengG,MaCC,ZhouPC,lassificationofhigh
resolutionremotesensingimagesusingconvolutionalneural
networks[C]//2016IEEEInternationalGeoscienceandRemote
SensingSymposium(IGARSS).July10-15,2016,Beijing,China.
IEEE,2016:767-770.
[7]ScottGJ,EnglandMR,StarmsWA,ngdeepconvo⁃
lutionalneuralnetworksforland–coverclassificationofhigh-
resolutionimagery[J].IEEEGeoscienceandRemoteSensing
Letters,2017,14(4):549-553.
[8]NogueiraK,PenattiOAB,sbetterex⁃
ploitingconvolutionalneuralnetworksforremotesensing
sceneclassification[J].PatternRecognition,2017,61:539-556.
[9]ZhouZ,ZhengYB,YeH,iteimagesceneclassifica⁃
tionviaConvNetwithcontextaggregation[EB/OL].2018:arXiv:
1802.00631[]./abs/1802.00631
[10]XuKJ,HuangH,DengPF,-streamfeatureaggrega⁃
tiondeepneuralnetworkforsceneclassificationofremote
sensingimages[J].InformationSciences,2020,539:250-268.
[11]ShawkyOA,HagagA,El-DahshanESA,sens⁃
ingimagesceneclassificationusingCNN-MLPwithdataaug⁃
mentation[J].Optik,2020,221:165356.
[12]RéjichiS,eextractionusingPCAforVHR
satelliteimagetimeseriesspatio-temporalclassification[C]//
2015IEEEInternationalGeoscienceandRemoteSensingSym⁃
posium(IGARSS).July26-31,2015,Milan,,2015:485-
488.
[13]ZhuQQ,ZhongYF,ZhaoB,-of-visual-words
sceneclassifiercombininglocalandglobalfeaturesforhigh
spatialresolutionimagery[C]//201512thInternationalConfer⁃
enceonFuzzySystemsandKnowledgeDiscovery(FSKD).Au⁃
ComputerKnowledgeandTechnology
电脑知识
与技术
gust15-17,2015,Zhangjiajie,,2015:717-721.
[14]WuSL,ChenHD,BaiY,esensingimageclassi⁃
ficationmethodbasedonsparserepresentation[J].Multimedia
ToolsandApplications,2016,75(19):12137-12154.
[15]曲建岭,杜辰飞,邸亚洲,等.深度自动编码器的研究与展望
[J].计算机与现代化,2014(8):128-134.
[16]LinDY,FuK,WangY,ANs:unsupervisedrep⁃
resentationlearningforremotesensingimageclassification[J].
IEEEGeoscienceandRemoteSensingLetters,2017,14(11):
2092-2096.
[17]ZhangF,DuB,cy-guidedunsupervisedfea⁃
turelearningforsceneclassification[J].IEEETransactionson
GeoscienceandRemoteSensing,2015,53(4):2175-2184.
[18]arspace,knowledge-encodeddeeplearning
architectureandremotesensingimageclassification[J].Engi⁃
neeringApplicationsofArtificialIntelligence,2020,92:103647.
[19]XuSH,MuXD,ChaiD,sensingimagescene
classificationbasedongenerativeadversarialnetworks[J].Re⁃
moteSensingLetters,2018,9(7):617-626.
[20]BruzzoneL,ChiM,transductiveSVM
forsemisupervisedclassificationofremote-sensingimages[J].
IEEETransactionsonGeoscienceandRemoteSensing,2006,
44(11):3363-3373.
[21]PATRAS,GHOSHS,detectionofremote
sensingimageswithsemi-supervisedmultilayerperceptron[J].
FundamentaInformaticae,2008,84(3,4):429-442.
[22]Camps-VallsG,BandosMarshevaTV,-super⁃
visedgraph-basedhyperspectralimageclassification[J].IEEE
TransactionsonGeoscienceandRemoteSensing,2007,45(10):
3044-3054.
[23]MaulikU,-trainedensemblewithsemis⁃
upervisedSVM:anapplicationtopixelclassificationofremote
sensingimagery[J].PatternRecognition,2011,44(3):615-623.
[24]HanW,FengRY,WangLZ,-supervisedgenera⁃
tiveframeworkwithdeeplearningfeaturesforhigh-resolution
remotesensingimagesceneclassification[J].ISPRSJournalof
PhotogrammetryandRemoteSensing,2018,145:23-43.
[25]XuJD,FengGZ,ZhaoT,sensingimageclassifi⁃
cationbasedonsemi-supervisedadaptiveintervaltype-2
fuzzyc-meansalgorithm[J].Computers&Geosciences,2019,
131:132-143.
【通联编辑：唐一东】
（上接第183页）
参考文献：
[1]Real-TimePattern-RecognitionofGPRImageswithYOLO
v3ImplementedbyTensorflow.10.3390/s20226476.
[2]谢兄,杨金鹏.YOLO-wLU：考虑定位不确定性的目标检测算
本栏目责任编辑：唐一东
法[J].计算机工程与应用.
[3]黄凤琪,陈明,冯国富,基于可变形卷积改进的yolo目标检测
算法[J].计算机工程./10.19678/.1000-
3428.0059096.
【通联编辑：李雅琪】
人工智能及识别技术
189
2024年3月11日发(作者：连晓瑶)
ISSN1009-3044
Computer
Knowledge
Knowledge
and
and
Technology
Technology
电脑知识
电脑知识
与技术
Computer
与技术
Vol.17,No.15
May
2021
E-mail：*************.cn
第17卷第15期(2021年5月)
http：//
Tel：+86-551-6569
基于TINYYOLO2神经网络视觉翻译棒
刘潇元，任钊婷，杨晨
（西北民族大学，甘肃兰州730030）
摘要：2015年10月，AlphaGo在没有任何让子的情况下，以5：0的悬殊比分击溃欧洲围棋冠军樊麾二段。随即第二年六月
战胜第一围棋手柯洁。人工智能初露锋芒，而在当今人工智能的发展下各个产业出现了新的转变，人脸识别，视网膜识
别，虹膜识别，掌纹识别，专家系统，无人驾驶，智能搜索，定理证明，博弈等人工智能逐渐改变着人们的生活，神经网络在
图像处理的运用上更加广泛，常应用于车辆检测、目标分类识别。本项目意在通过YOLO2的剪枝算法TINYyolo2实现在
嵌入式soc上进行目标检测达到图像转文字的目的。再尔，通过云服务实现文字转语音的服务。完成整个项目的目的，即
图像转文字的过程，适用于幼儿教学市场。
关键词：TINYYOLO2；云服务；视觉翻译
中图分类号：TP311文献标识码：A
开放科学（资源服务）标识码（OSID）：
文章编号：1009-3044(2021)15-0182-02
1神经网络单元TPU介绍
在芯片集成度方面,勘智K210采用视听一体化设计。在
机器视觉上,芯片基于自主研发的神经网络加速器KPU,可完成
基于神经网络的图像分类任务,进行人脸识别与检测,以及实时
获取被检测目标的分类。在听觉能力上,芯片自带APU语音处
理单元,最高可支持8路音频数据及16个方向,无须占用CPU即
可实现声源定向、声场成像、波束形成、语音识别与唤醒等
功能。
在算法定制化方面，勘智K210在可编程能力上呈现出更
高的灵活性。首先,相比ARM等架构,勘智K210采用RISC-V
架构,拥有更强的可定制化能力,便于开发者根据具体应用场景
定制算法。其次，芯片搭载FPIOA现场可编程IO阵列,支持
TensorFlow、Keras、Darknet、PaddlePaddle和Caffe等主流AI编程
框架,以及全面的开发文档,对开发者十分友好。
示，YOLO通过对输入图像进行推测，得到图中所有物体的位置
及其所属类别的相应概率。
YOLO的网络模型结构包含有24个卷积层和2个全链接
层，其具体结构如下：
2摄像头
OV7670，本设计采用自带FiFo的模组，使用FIFO模组可
以大大减少K210的计算量，数字摄像头的构成主要是由镜头、
基座、红外滤波片、图像传感器。部分数字摄像头可能带有马
达用以调节像距。本设计中为了提高处理速度，使用CIF格式
的图像格式传输到K210中进行计算，经过实际的测试，空载的
帧率可以达到80FPS。在实际加载上TINYYOLO2的程序测试
可以达到60FPS左右，达到了实际使用的需求。
图1yolo网络模型
4百度云语音合成API
为了减小内存的使用，本项目采用了百度语音合成python
接口，只需要使用http请求的RESTAPI接口，将文本转换为可
以播放的音频文件。再通过K210的播放器进行输出。由于
k210的性能限制，本项目使用内存占用极小的PCM编码，声音
经过采集和处理装置的抽样、量化和编码就实现了脉冲编码调
制。本系统中使用K210的I2S总线连接麦克风模块，模拟声音
信号经过麦克风抽样采集。传送到K210端口，经过K210通过
DAC发送音频放大器，最后由扬声器将PCM编码的声音量播
报出来，实现了语音播报。
PCM以采样技术为定理。采样定理：如果在规定的时间
内，以有效信号最高频率的二倍或二倍以上的速率对该信号进
3识别算法TINYYOLO2
相较于RCNN系列算法，YOLO算法最大的创新在于将物
体检测作为回归问题来求解，而RCNN系列算法是将目标检测
用一个regionproposal+CNN来作为分类问题求解。如下图所
收稿日期：2021-02-11
基金项目：西北民族大学2020年度实验室开放（项目编号：SYSKF-2020029）
作者简介：刘潇元(1999—)，男，重庆人，现就读于西北民族大学本科2017级，研究方向：电子信息过程；任钊婷（1989—），女，甘肃平
凉人，实验师，硕士研究生，研究方向：计算机技术；杨晨（1990—），女，甘肃天水人，本科，实验师，研究方向：物理实验创
新教学、大学生实践创新教学。
182
人工智能及识别技术
本栏目责任编辑：唐一东
第17卷第15期(2021年5月)
行采样，则这些采样信息值中包含了全部原始信号信息。再进
行实际实验时Tinyyolo2在k210平台上帧率能达到60fps+。
5系统菜单设计
为了完成该项目的多个功能需要设计一个菜单搭配按键
进行功能的选择，这里我们采用了有限状态机。也称为FSM，
其特点是任意状态在任意时刻都有对应的下一状态。每个状
态具有同样的属性，当其属性进行转移时，FSM将一直保持消
亡状态。状态转移图中还有两个特殊状态：状态1状态被称为
“起始状态”，表示FSM的初始化状态，状态6称为“结束状态”。
表示成功识别了所有属性而后进入下一流程。使用编程思维
理解，建立结构体数组成员变量使用UP、DOWN、ENTER，来表
示每个状态对应的属性操作。建立Index成员表示当前的序列
号，函数指针表示当前状态所需要执行的函数。通过Index序
号根据用户的操作UP、DOWN或是ENTER来进入下一个所需
要执行的函数。达到逻辑清晰、代码量简洁高效的目的。
图2有限状态机原理图式。
Index
然后我们开始程序设计。CurrerIndex表示当前标号，
入的菜单标号，
表示按下上键跳入的菜单标号，DnIndex表示按下下键跳
Up⁃
(*CurOperate)表示这个菜单对应的函数指针。
EnterIndex表示按下确认键跳入的菜单标号，
图3菜单结构体定义
图4按键扫描函数
本栏目责任编辑：唐一东
ComputerKnowledgeandTechnology
电脑知识
与技术
函数，
Encoder_EC11_Scan()
AA
由于体积大小原因，
函数这个本来是编码器
将旋转编码器替换成了三个按键。
EC11的扫描
下对应引脚接地，
代表上键，BB代表下键，Keyenter键代表确认键。当按键按
lay5ms()
是因为抖动而是人为按下。置
这个函数延迟
引脚电平为
5ms如果这时按键还是低电平，
0。为了消除抖动使用了De⁃
ScanResult返回值为0
就说明不
，1,2,3分
别代表按键没有按下，上键，下键，确认键的按下标志位并作为
函数的返回值返回。
图5菜单执行函数
状态机从0开始，通过Encoder_EC11_Scan()函数来返回用
户的操作键码，通过Switch语句跳转到各个键码对应的操作中
去。如按下上键Encoder_EC11_Scan()函数会返回1。并把此时
菜单上键对应的键码赋值给Fun_index全局变量。然后将对应
的函数指针赋值给CurOperate_Ptr。而后执行函数完成函数的
跳转。
6基本流程
1
2
）k210通过摄像头获取图像；
3
）图像输入变换进入模型比对；
扬声器进行播报。否则返回获取图像继续搜索目标物体。
4
）
）
图像中是否存在目标物体；
存在物体，文本信息送入百度云api进行转化然后送入
图6
7项目总结
本项目将神经网络识别技术与物联网技术结合在一起。
意在通过图像得到语音的输出，适用于早教市场，幼儿外语的
学习。项目的不足，因为是通过网络进行语音转化，所以本项
目离不开网络，必须通过手机开启热点或连接家中wifi使用，本
项目将会继续研究离线的文字语音转化技术。（下转第189页）
人工智能及识别技术
183
第17卷第15期(2021年5月)
[2]QUY,LIC,tDetectionBaseonSupport
VectorMachinefromASingleImage[C]//FifthInternational
ConferenceonInformation,CommunicationsandSignalPro⁃
cessing．IEEE,2006:546-549．
[3]张浩,赵云胜,陈冠宇,等.基于支持向量机的遥感图像建筑物
识别与分类方法研究[J].地质科技情报,2016,35(6):194-199.
[4]BelgiuM,Drăguţforestinremotesensing:areview
ofapplicationsandfuturedirections[J].ISPRSJournalofPhoto⁃
grammetryandRemoteSensing,2016,114:24-31.
[5]马鑫,汪西原,胡博.基于ENVI的CART自动决策树多源遥感
影像分类——以北京市为例[J].宁夏工程技术,2017,16(1):
63-66.
[6]ChengG,MaCC,ZhouPC,lassificationofhigh
resolutionremotesensingimagesusingconvolutionalneural
networks[C]//2016IEEEInternationalGeoscienceandRemote
SensingSymposium(IGARSS).July10-15,2016,Beijing,China.
IEEE,2016:767-770.
[7]ScottGJ,EnglandMR,StarmsWA,ngdeepconvo⁃
lutionalneuralnetworksforland–coverclassificationofhigh-
resolutionimagery[J].IEEEGeoscienceandRemoteSensing
Letters,2017,14(4):549-553.
[8]NogueiraK,PenattiOAB,sbetterex⁃
ploitingconvolutionalneuralnetworksforremotesensing
sceneclassification[J].PatternRecognition,2017,61:539-556.
[9]ZhouZ,ZhengYB,YeH,iteimagesceneclassifica⁃
tionviaConvNetwithcontextaggregation[EB/OL].2018:arXiv:
1802.00631[]./abs/1802.00631
[10]XuKJ,HuangH,DengPF,-streamfeatureaggrega⁃
tiondeepneuralnetworkforsceneclassificationofremote
sensingimages[J].InformationSciences,2020,539:250-268.
[11]ShawkyOA,HagagA,El-DahshanESA,sens⁃
ingimagesceneclassificationusingCNN-MLPwithdataaug⁃
mentation[J].Optik,2020,221:165356.
[12]RéjichiS,eextractionusingPCAforVHR
satelliteimagetimeseriesspatio-temporalclassification[C]//
2015IEEEInternationalGeoscienceandRemoteSensingSym⁃
posium(IGARSS).July26-31,2015,Milan,,2015:485-
488.
[13]ZhuQQ,ZhongYF,ZhaoB,-of-visual-words
sceneclassifiercombininglocalandglobalfeaturesforhigh
spatialresolutionimagery[C]//201512thInternationalConfer⁃
enceonFuzzySystemsandKnowledgeDiscovery(FSKD).Au⁃
ComputerKnowledgeandTechnology
电脑知识
与技术
gust15-17,2015,Zhangjiajie,,2015:717-721.
[14]WuSL,ChenHD,BaiY,esensingimageclassi⁃
ficationmethodbasedonsparserepresentation[J].Multimedia
ToolsandApplications,2016,75(19):12137-12154.
[15]曲建岭,杜辰飞,邸亚洲,等.深度自动编码器的研究与展望
[J].计算机与现代化,2014(8):128-134.
[16]LinDY,FuK,WangY,ANs:unsupervisedrep⁃
resentationlearningforremotesensingimageclassification[J].
IEEEGeoscienceandRemoteSensingLetters,2017,14(11):
2092-2096.
[17]ZhangF,DuB,cy-guidedunsupervisedfea⁃
turelearningforsceneclassification[J].IEEETransactionson
GeoscienceandRemoteSensing,2015,53(4):2175-2184.
[18]arspace,knowledge-encodeddeeplearning
architectureandremotesensingimageclassification[J].Engi⁃
neeringApplicationsofArtificialIntelligence,2020,92:103647.
[19]XuSH,MuXD,ChaiD,sensingimagescene
classificationbasedongenerativeadversarialnetworks[J].Re⁃
moteSensingLetters,2018,9(7):617-626.
[20]BruzzoneL,ChiM,transductiveSVM
forsemisupervisedclassificationofremote-sensingimages[J].
IEEETransactionsonGeoscienceandRemoteSensing,2006,
44(11):3363-3373.
[21]PATRAS,GHOSHS,detectionofremote
sensingimageswithsemi-supervisedmultilayerperceptron[J].
FundamentaInformaticae,2008,84(3,4):429-442.
[22]Camps-VallsG,BandosMarshevaTV,-super⁃
visedgraph-basedhyperspectralimageclassification[J].IEEE
TransactionsonGeoscienceandRemoteSensing,2007,45(10):
3044-3054.
[23]MaulikU,-trainedensemblewithsemis⁃
upervisedSVM:anapplicationtopixelclassificationofremote
sensingimagery[J].PatternRecognition,2011,44(3):615-623.
[24]HanW,FengRY,WangLZ,-supervisedgenera⁃
tiveframeworkwithdeeplearningfeaturesforhigh-resolution
remotesensingimagesceneclassification[J].ISPRSJournalof
PhotogrammetryandRemoteSensing,2018,145:23-43.
[25]XuJD,FengGZ,ZhaoT,sensingimageclassifi⁃
cationbasedonsemi-supervisedadaptiveintervaltype-2
fuzzyc-meansalgorithm[J].Computers&Geosciences,2019,
131:132-143.
【通联编辑：唐一东】
（上接第183页）
参考文献：
[1]Real-TimePattern-RecognitionofGPRImageswithYOLO
v3ImplementedbyTensorflow.10.3390/s20226476.
[2]谢兄,杨金鹏.YOLO-wLU：考虑定位不确定性的目标检测算
本栏目责任编辑：唐一东
法[J].计算机工程与应用.
[3]黄凤琪,陈明,冯国富,基于可变形卷积改进的yolo目标检测
算法[J].计算机工程./10.19678/.1000-
3428.0059096.
【通联编辑：李雅琪】
人工智能及识别技术
189