一文看懂YOLO v3 目标检测算法

论文地址:https://pjreddie.com/media/files/papers/YOLOv3.pdf
论文:YOLOv3: An Incremental Improvement
 
YOLO系列的目标检测算法可以说是目标检测史上的宏篇巨作,接下来我们来详细介绍一下YOLO v3算法内容,v3的算法是在v1和v2的基础上形成的,所以有必要先回忆: 一文看懂YOLO v2,一文看懂YOLO v2。


 
网络结构
从这儿盗了张图,这张图很好的总结了YOLOV3的结构,让我们对YOLO有更加直观的理解。
DBL:代码中的Darknetconv2d_BN_Leaky,是yolo_v3的基本组件。就是卷积+BN+Leaky relu。
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。不懂resnet请戳这儿
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。
 
后面我们一起分析网络一些细节与难懂的地方
 
backbone:darknet-53
为了达到更好的分类效果,作者自己设计训练了darknet-53。作者在ImageNet上实验发现这个darknet-53,的确很强,相对于ResNet-152和ResNet-101,darknet-53不仅在分类精度上差不多,计算速度还比ResNet-152和ResNet-101强多了,网络层数也比他们少。
 
Yolo_v3使用了darknet-53的前面的52层(没有全连接层),yolo_v3这个网络是一个全卷积网络,大量使用残差的跳层连接,并且为了降低池化带来的梯度负面效果,作者直接摒弃了POOLing,用conv的stride来实现降采样。在这个网络结构中,使用的是步长为2的卷积来进行降采样。
 
为了加强算法对小目标检测的精确度,YOLO v3中采用类似FPN的upsample和融合做法(最后融合了3个scale,其他两个scale的大小分别是26×26和52×52),在多个scale的feature map上做检测。
 
作者在3条预测支路采用的也是全卷积的结构,其中最后一个卷积层的卷积核个数是255,是针对COCO数据集的80类:3*(80+4+1)=255,3表示一个grid cell包含3个bounding box,4表示框的4个坐标信息,1表示objectness score。
 
output
所谓的多尺度就是来自这3条预测之路,y1,y2和y3的深度都是255,边长的规律是13:26:52。yolo v3设定的是每个网格单元预测3个box,所以每个box需要有(x, y, w, h, confidence)五个基本参数,然后还要有80个类别的概率。所以3×(5 + 80) = 255。这个255就是这么来的。
 
下面我们具体看看y1,y2,y3是如何而来的。
网络中作者进行了三次检测,分别是在32倍降采样,16倍降采样,8倍降采样时进行检测,这样在多尺度的feature map上检测跟SSD有点像。在网络中使用up-sample(上采样)的原因:网络越深的特征表达效果越好,比如在进行16倍降采样检测,如果直接使用第四次下采样的特征来检测,这样就使用了浅层特征,这样效果一般并不好。如果想使用32倍降采样后的特征,但深层特征的大小太小,因此yolo_v3使用了步长为2的up-sample(上采样),把32倍降采样得到的feature map的大小提升一倍,也就成了16倍降采样后的维度。同理8倍采样也是对16倍降采样的特征进行步长为2的上采样,这样就可以使用深层特征进行detection。
 
作者通过上采样将深层特征提取,其维度是与将要融合的特征层维度相同的(channel不同)。如下图所示,85层将13×13×256的特征上采样得到26×26×256,再将其与61层的特征拼接起来得到26×26×768。为了得到channel255,还需要进行一系列的3×3,1×1卷积操作,这样既可以提高非线性程度增加泛化性能提高网络精度,又能减少参数提高实时性。52×52×255的特征也是类似的过程。
 
从图中,我们可以看出y1,y2,y3的由来。
 
Bounding Box
YOLO v3的Bounding Box由YOLOV2又做出了更好的改进。在yolo_v2和yolo_v3中,都采用了对图像中的object采用k-means聚类。 feature map中的每一个cell都会预测3个边界框(bounding box) ,每个bounding box都会预测三个东西:(1)每个框的位置(4个值,中心坐标tx和ty,,框的高度bh和宽度bw),(2)一个objectness prediction ,(3)N个类别,coco数据集80类,voc20类。
 
三次检测,每次对应的感受野不同,32倍降采样的感受野最大,适合检测大的目标,所以在输入为416×416时,每个cell的三个anchor box为(116 ,90); (156 ,198); (373 ,326)。16倍适合一般大小的物体,anchor box为(30,61); (62,45); (59,119)。8倍的感受野最小,适合检测小目标,因此anchor box为(10,13); (16,30); (33,23)。所以当输入为416×416时,实际总共有(52×52+26×26+13×13)×3=10647个proposal box。
感受一下9种先验框的尺寸,下图中蓝色框为聚类得到的先验框。黄色框式ground truth,红框是对象中心点所在的网格。
 
这里注意bounding box 与anchor box的区别:
Bounding box它输出的是框的位置(中心坐标与宽高),confidence以及N个类别。
anchor box只是一个尺度即只有宽高。
 
LOSS Function
YOLOv3重要改变之一:No more softmaxing the classes。
YOLO v3现在对图像中检测到的对象执行多标签分类。
早期YOLO,作者曾用softmax获取类别得分并用最大得分的标签来表示包含再边界框内的目标,在YOLOv3中,这种做法被修正。
 
softmax来分类依赖于这样一个前提,即分类是相互独立的,换句话说,如果一个目标属于一种类别,那么它就不能属于另一种。
 
但是,当我们的数据集中存在人或女人的标签时,上面所提到的前提就是去了意义。这就是作者为什么不用softmax,而用logistic regression来预测每个类别得分并使用一个阈值来对目标进行多标签预测。比阈值高的类别就是这个边界框真正的类别。
 
用简单一点的语言来说,其实就是对每种类别使用二分类的logistic回归,即你要么是这种类别要么就不是,然后便利所有类别,得到所有类别的得分,然后选取大于阈值的类别就好了。
 
logistic回归用于对anchor包围的部分进行一个目标性评分(objectness score),即这块位置是目标的可能性有多大。这一步是在predict之前进行的,可以去掉不必要anchor,可以减少计算量。
 
如果模板框不是最佳的即使它超过我们设定的阈值,我们还是不会对它进行predict。
不同于faster R-CNN的是,yolo_v3只会对1个prior进行操作,也就是那个最佳prior。而logistic回归就是用来从9个anchor priors中找到objectness score(目标存在可能性得分)最高的那一个。logistic回归就是用曲线对prior相对于 objectness score映射关系的线性建模。
 
xy_loss = object_mask * box_loss_scale * K.binary_crossentropy(raw_true_xy, raw_pred[..., 0:2],
                                                                       from_logits=True)
wh_loss = object_mask * box_loss_scale * 0.5 * K.square(raw_true_wh - raw_pred[..., 2:4])
confidence_loss = object_mask * K.binary_crossentropy(object_mask, raw_pred[..., 4:5], from_logits=True) +
                          (1 - object_mask) * K.binary_crossentropy(object_mask, raw_pred[..., 4:5],
                                                                    from_logits=True) * ignore_mask
class_loss = object_mask * K.binary_crossentropy(true_class_probs, raw_pred[..., 5:], from_logits=True)
 
xy_loss = K.sum(xy_loss) / mf
wh_loss = K.sum(wh_loss) / mf
confidence_loss = K.sum(confidence_loss) / mf
class_loss = K.sum(class_loss) / mf
loss += xy_loss + wh_loss + confidence_loss + class_loss
 
xy_loss = object_mask * box_loss_scale * K.binary_crossentropy(raw_true_xy, raw_pred[..., 0:2],
                                                                       from_logits=True)
wh_loss = object_mask * box_loss_scale * 0.5 * K.square(raw_true_wh - raw_pred[..., 2:4])
confidence_loss = object_mask * K.binary_crossentropy(object_mask, raw_pred[..., 4:5], from_logits=True) +
                          (1 - object_mask) * K.binary_crossentropy(object_mask, raw_pred[..., 4:5],
                                                                    from_logits=True) * ignore_mask
class_loss = object_mask * K.binary_crossentropy(true_class_probs, raw_pred[..., 5:], from_logits=True)
 
xy_loss = K.sum(xy_loss) / mf
wh_loss = K.sum(wh_loss) / mf
confidence_loss = K.sum(confidence_loss) / mf
class_loss = K.sum(class_loss) / mf
loss += xy_loss + wh_loss + confidence_loss + class_loss
————————————————
版权声明:本文为CSDN博主「小小小绿叶」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/litt1e/article/details/88907542
以上是一段keras框架描述的yolo v3 的loss_function代码。忽略恒定系数不看,可以从上述代码看出:除了w, h的损失函数依然采用总方误差之外,其他部分的损失函数用的是二值交叉熵。最后加到一起。那么这个binary_crossentropy又是个什么玩意儿呢?就是一个最简单的交叉熵而已,一般用于二分类,这里的两种二分类类别可以理解为"对和不对"这两种。
 
参考文章:
https://towardsdatascience.com/yolo-v3-object-detection-53fb7d3bfe6b
https://blog.csdn.net/yanzi6969/article/details/80505421
https://blog.csdn.net/chandanyan8568/article/details/81089083
https://blog.csdn.net/leviopku/article/details/82660381
https://blog.csdn.net/u014380165/article/details/80202337
————————————————
版权声明:本文为CSDN博主「小小小绿叶」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/litt1e/article/details/88907542

附件:
YOLOv3: An Incremental Improvement

新闻聚焦
猜你喜欢
热门推荐
  • 亚洲目前是世界上最大的工业机器人

    亚洲目前是世界上最大的工业机器人

    据国际机器人联合会(IFR)最新发布的《全球机器人2019——工业机器人》报告数据,2018年全球工业机器人出货量42.2万台,比上年增长6%;年销售额达到165亿美元,创下新...

    2019-12-07 来源:未知 浏览:89 次

    分享
  • 12345人工智能机器人人工智能机器人

    12345人工智能机器人人工智能机器人

    人工智能机器人人工智能机器人...

    2019-11-26 来源:未知 浏览:161 次

    分享
  • 智能巡检机器人,下一片“掘金热土

    智能巡检机器人,下一片“掘金热土

    伴随社会经济发展和人民生活水平的提高,社会用电量不断提升,对电网运行稳定性提出了更高的挑战,变电、输电、配电等电力系统各环节的巡检工作量急剧上升,传统...

    2019-11-25 来源:未知 浏览:126 次

    分享
  • 技术与场景双驱动,2020年三大AI应用

    技术与场景双驱动,2020年三大AI应用

    AI技术首先在智能安防、智能零售和智能家居三大领域落地,与这些场景的现状和市场需求有密切的关系。...

    2019-11-25 来源:未知 浏览:99 次

    分享
  • YOLO算法的原理与实现

    YOLO算法的原理与实现

    当我们谈起计算机视觉时,首先想到的就是图像分类,没错,图像分类是计算机视觉最基本的任务之一,但是在图像分类的基础上,还有更复杂和有意思的任务,如目标检...

    2019-11-25 来源:未知 浏览:81 次

    分享
  • 一文看懂YOLO v2目标检测算法

    一文看懂YOLO v2目标检测算法

    新的YOLO版本论文全名叫“YOLO9000: Better, Faster, Stronger”,相较于YOLO主要有两个大方面的改进: 第一,作者使用了一系列的方法对原来的YOLO多目标检测框架进行了改进,在...

    2019-11-25 来源:未知 浏览:134 次

    分享
  • 一文看懂YOLO v1目标检测算法

    一文看懂YOLO v1目标检测算法

    从R-CNN到Faster R-CNN一直采用的思路是proposal+分类 (proposal 提供位置信息, 分类提供类别信息)精度已经很高,但由于two-stage(proposal耗费时间过多)处理速度不行达不到...

    2019-11-25 来源:未知 浏览:118 次

    分享
  • 一文看懂YOLO v3 目标检测算法

    一文看懂YOLO v3 目标检测算法

    YOLO系列的目标检测算法可以说是目标检测史上的宏篇巨作,接下来我们来详细介绍一下YOLO v3算法内容,v3的算法是在v1和v2的基础上形成的...

    2019-11-25 来源:未知 浏览:0 次

    分享
  • 超强干货,机器视觉基础应用知识详

    超强干货,机器视觉基础应用知识详

    随着工业4.0时代的到来,机器视觉在智能制造业领域的作用越来越重要,为了能让更多用户获取机器视觉的相关基础知识,包括机器视觉技术是如何工作的、它为什么是实...

    2019-11-20 来源:未知 浏览:114 次

    分享
  • 中国的性爱机器人已领先世界了:白

    中国的性爱机器人已领先世界了:白

    话说,我们之前曾经介绍过人工智能的发展现在正如何推动着色情业的改革.. 现如今由充气娃娃霸占的市场,恐怕在不远的将来将会被高度模仿真人的性爱机器人替代了...

    2019-11-20 来源:未知 浏览:127 次

    分享
  • MIT的双足科学机器人模组?这个机器

    MIT的双足科学机器人模组?这个机器

    麻省理工大学认为,机器人研究应该更注重实用化,机器人技术能得到快速发展在于其能用来解放和拯救生命。...

    2019-11-20 来源:未知 浏览:195 次

    分享
  • 解析人形机器人难点,拥有多重身份

    解析人形机器人难点,拥有多重身份

    近10年以来,中国在各方面都步伐飞快,尤其在AI、通信等行业更是取得了令世界为之瞩目的傲人成绩。从90年代日本开始不断更新ASIMO的研发成果,到近几年美国波士顿动...

    2019-11-20 来源:未知 浏览:91 次

    分享
  • 京东发布配送机器人4.0,2020年将在开

    京东发布配送机器人4.0,2020年将在开

    11月19日,在2019京东全球科技探索者大会上,京东集团副总裁、X事业部总裁肖军正式对外介绍京东物流X事业部最新研发的两款智能设备——配送机器人4.0和室内移动通用...

    2019-11-20 来源:未知 浏览:121 次

    分享
  • EeIE2019全球机器人产业峰会·世界机器

    EeIE2019全球机器人产业峰会·世界机器

    EeIE2019智博会展期11月4日下午,2019全球机器人产业峰会·世界机器人高峰论坛在深圳国际会展中心举行。作为2019智博会主题活动的重头戏之一,邀请了英国国家工程院院士...

    2019-11-20 来源:未知 浏览:198 次

    分享
  • 15部门印发制造业和服务业重要文件,

    15部门印发制造业和服务业重要文件,

    发改委新闻发言人孟玮15日表示,近日,国家发展改革委等15部门联合印发了《关于推动先进制造业和现代服务业深度融合发展的实施意见》,今天通过发改委门户网站正...

    2019-11-20 来源:未知 浏览:179 次

    分享
  • 2019年机器人行业十月融资大盘点

    2019年机器人行业十月融资大盘点

    随着自动化需求的持续释放,机器人产业发展正在步入加速阶段,我国机器人市场已成为全球火热的竞争风口之一。在通往自动智能生产的道路上,传统机器人企业、科技...

    2019-11-20 来源:未知 浏览:69 次

    分享
  • 2019年国外机器人巨头加快在华布局

    2019年国外机器人巨头加快在华布局

    2019年,由于全球经济局势持续不稳定,机器人市场的发展受到了一定的制约和影响。对不少企业来说,可谓是进入了一场“寒冬”。但另一方面,依然有不少优秀头部企...

    2019-11-20 来源:未知 浏览:118 次

    分享
  • 148智能机器人网-最前沿的人工智能机

    148智能机器人网-最前沿的人工智能机

    ...

    2019-11-19 来源:未知 浏览:62 次

    分享
  • AI人工智能机器人8

    AI人工智能机器人8

    ...

    2019-11-19 来源:未知 浏览:170 次

    分享
  • 152智能机器人网-最前沿的人工智能机

    152智能机器人网-最前沿的人工智能机

    ...

    2019-11-19 来源:未知 浏览:151 次

    分享
  • 151智能机器人网-最前沿的人工智能机

    151智能机器人网-最前沿的人工智能机

    ...

    2019-11-19 来源:未知 浏览:95 次

    分享
  • 144智能机器人网-最前沿的人工智能机

    144智能机器人网-最前沿的人工智能机

    ...

    2019-11-19 来源:未知 浏览:192 次

    分享
  • 147智能机器人网-最前沿的人工智能机

    147智能机器人网-最前沿的人工智能机

    ...

    2019-11-19 来源:未知 浏览:189 次

    分享
  • AI人工智能机器人4

    AI人工智能机器人4

    ...

    2019-11-19 来源:未知 浏览:93 次

    分享
  • AI人工智能机器人6

    AI人工智能机器人6

    ...

    2019-11-19 来源:未知 浏览:143 次

    分享
  • AI人工智能机器人3

    AI人工智能机器人3

    ...

    2019-11-19 来源:未知 浏览:126 次

    分享
  • AI人工智能机器人1

    AI人工智能机器人1

    ...

    2019-11-19 来源:未知 浏览:160 次

    分享
  • AI人工智能机器人2

    AI人工智能机器人2

    ...

    2019-11-19 来源:未知 浏览:94 次

    分享
  • 143智能机器人网-最前沿的人工智能机

    143智能机器人网-最前沿的人工智能机

    ...

    2019-11-19 来源:未知 浏览:73 次

    分享
  • 142智能机器人网-最前沿的人工智能机

    142智能机器人网-最前沿的人工智能机

    ...

    2019-11-19 来源:未知 浏览:136 次

    分享
  • 智能机器人网-最前沿的人工智能机器

    智能机器人网-最前沿的人工智能机器

    ...

    2019-11-19 来源:未知 浏览:105 次

    分享
  • AI人工智能机器人7

    AI人工智能机器人7

    ...

    2019-11-18 来源:未知 浏览:175 次

    分享
  • AI人工智能机器人5

    AI人工智能机器人5

    ...

    2019-11-18 来源:未知 浏览:91 次

    分享
  • AI人工智能23

    AI人工智能23

    美国海军海上巡逻机群是一支十分强大的海上作战力量。尽管历史上几经缩编,直到十多年前,它还拥有37个巡逻机中队(包括17个后备中队)。 但随着苏联解体冷战结束,...

    2019-11-18 来源:未知 浏览:70 次

    分享
  • AI人工智能22

    AI人工智能22

    研制背景 20世纪60年代末,由于苏联军事空运主力机型安-12已经显得载重小和航程不足,苏联为了提高其军事空运能力,决定研制一种近似于类似于美国C-141重型运输机的...

    2019-11-18 来源:未知 浏览:141 次

    分享
  • AI人工智能21

    AI人工智能21

    P3C型,装有4台T56-A-14涡桨发动机,单台功率为4000千瓦(5438马力),采用45H60型四叶恒速螺旋桨。机长35.061米,翼展30.37米,机高10.27米,机翼展弦比为7.064,螺旋桨直径4.011米...

    2019-11-18 来源:未知 浏览:107 次

    分享
  • AI人工智能20

    AI人工智能20

    诺斯罗普格鲁曼公司的RQ-4A全球鹰是美国空军乃至全世界最先进的无人机。作为高空持久性先进概念技术验证(ACTD)计划的一部分,包括全球鹰和暗星两个部分在内的全球鹰...

    2019-11-18 来源:未知 浏览:145 次

    分享
  • AI人工智能19

    AI人工智能19

    猎食者远程无人机,是作为高级概念技术验证而从1994年1月到1996年6月发展起来的。它是加利福尼亚州圣地亚哥的通用原子公司得到了第一份合同。它首飞于1994年,并于当...

    2019-11-18 来源:未知 浏览:83 次

    分享
  • AI人工智能18

    AI人工智能18

    AH-64武装直升机是1973年提出的先进武装直升机计划(Advanced Attach Helicopter,AAH)的产物。在AAH计划之前,美国陆军执行过先进空中火力支援系统(AAFSS)计划,参与竞标的三种机...

    2019-11-18 来源:未知 浏览:152 次

    分享
  • AI人工智能17

    AI人工智能17

    研制背景 贝尔UH-1休伊系列直升机在越南战场证明了自身的价值,在越战不断升温的60年代中期UH-1在战场上也暴露出不少缺陷,美国陆军开始考虑该机的后继机型。随着战...

    2019-11-18 来源:未知 浏览:86 次

    分享
  • AI人工智能16

    AI人工智能16

    F-22战斗机发展自上个世纪七十年代末的美国先进战术战斗机计划,旨在为美国空军开发下一代空优战斗机,以对付新出现的全球威胁,取代F-15鹰式战斗机,并要在性能上...

    2019-11-18 来源:未知 浏览:84 次

    分享
  • AI人工智能15

    AI人工智能15

    研制背景 F-35起源自美国联合攻击战斗机(Joint Strike Fighter JSF)计划,该计划是20世纪最后一个重大的军用飞机研制和采购项目,亦为全世界进行中的最庞大战斗机研发计...

    2019-11-18 来源:未知 浏览:73 次

    分享
  • AI人工智能14

    AI人工智能14

    上世纪90年代,俄罗斯和中国联合研制了双座版苏-30战机,即苏-30MKK战机,并又于十年前升级为苏-30MK2战机。中国接收了约百架苏-30MKK战机,但现在几乎相同的歼-16战机出...

    2019-11-18 来源:未知 浏览:194 次

    分享
  • AI人工智能13

    AI人工智能13

    无人驾驶飞机最早产生于20世纪30年代,当时主要被用作靶机,如美国的OQ-19和英国的蜂后等靶机。在第二次世界大战中,首次出现了执行轰炸任务的无人驾驶飞机。 二战...

    2019-11-18 来源:未知 浏览:165 次

    分享
  • AI人工智能12

    AI人工智能12

    1974年初,中国海军在西沙对越自卫反击战中取得了击沉击伤敌四艘巡逻艇的战绩,但也暴露出缺乏海军航空兵空中支援的问题。这主要是因为当时海航装备的歼击机基本...

    2019-11-18 来源:未知 浏览:111 次

    分享
  • AI人工智能11

    AI人工智能11

    据报道,2012年10月31日上午10时32分,由中航工业沈飞研制的AMF五代战机(歼-31)成功首飞。中国成为世界第二个同时试飞两种五代机原型机的国家,此前,只有美国同时研制...

    2019-11-18 来源:未知 浏览:53 次

    分享
  • AI人工智能10

    AI人工智能10

    外界一直在猜测中国正在发展至少两种第五代隐形战机,而且正在积极发展一种隐形的垂直起降战斗机,歼-18战斗机是为网络流传中国新一代的垂直起降战斗机,被外国媒...

    2019-11-18 来源:未知 浏览:162 次

    分享
  • AI人工智能9

    AI人工智能9

    研制背景 苏联解体时,1143.6项目航空母舰(苏联以航空巡洋舰编列)库兹涅佐夫级次舰瓦良格号的建设仍在船台上,完工度仅68%,苏联解体后在分家时出于因地制宜的考...

    2019-11-18 来源:未知 浏览:85 次

    分享
  • AI人工智能8

    AI人工智能8

    歼20战斗机中国在成功研制出歼-15重型舰载机之后,已经基本掌握了重型舰载机的关键技术,但歼-15相对于美军的F-35C舰载机已经相差一代,中国第二代舰载战斗机必须达...

    2019-11-18 来源:未知 浏览:163 次

    分享
  • AI人工智能7

    AI人工智能7

    研制背景 上个世纪60年代末,苏联总参谋部针对美国的FX计划(后演变为F-15战斗机),提出了相对应的PFI计划。PFI意即先进战术战斗机。1971年,计划分化为两部分,一个...

    2019-11-18 来源:未知 浏览:168 次

    分享
  • AI人工智能6

    AI人工智能6

    20世纪80年代末,苏联开始研发新一代战机,以取代当时的主力机种米格-29战斗机和苏-27战斗机;当时的发展计划衍生出了苏-47战斗机和米格1.44战斗机两种机型。 2000年,...

    2019-11-18 来源:未知 浏览:60 次

    分享
  • AI人工智能5

    AI人工智能5

    动力装置 该机的动力装置为2台TV3-117VMA涡轮轴发动机,单台功率1640.5千瓦。当其中一台发动机发生故障时,另一台以较大的应急功率来补足有效动力。 巡航数据 卡-28全重...

    2019-11-18 来源:未知 浏览:116 次

    分享
  • AI人工智能4

    AI人工智能4

    从作战使用的观点看,卡-52攻击直升机的良好导航与武器使用一体化系统保证了它能只靠一个飞行员即完成复杂的对地攻击任务。 欧美一些专家认为在飞行高度20-50米接...

    2019-11-18 来源:未知 浏览:113 次

    分享
  • AI人工智能3

    AI人工智能3

    由于苏联在1970年代初期研发米-12直升机的效果不理想加之为开发西伯利亚及北方沼泽和冻土地带,于是重新开始研制一种全天候重型运输直升机,任务代号为90计划,这就...

    2019-11-18 来源:未知 浏览:74 次

    分享
  • AI人工智能2

    AI人工智能2

    米-171直升机是俄罗斯米里设计局设计、俄罗斯乌兰航空生产联合公司生产的新型直升机,是著名的米-8T和米-17的现代化改进型,性能和可靠性比米-8T和米-17有显著提高。...

    2019-11-18 来源:未知 浏览:195 次

    分享
换一换
 
Ctrl+D 将本页面保存为书签,全面了解最新资讯,方便快捷。