一文看懂YOLO v2目标检测算法

概述
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,在保持原有速度的优势之下,精度上得以提升。
第二,作者提出了一种目标分类与检测的联合训练方法,通过这种方法,YOLO9000可以同时在COCO和ImageNet数据集中进行训练,训练后的模型可以实现多达9000种物体的实时检测。
我们根据论文中Better,Faster,Stronger三个方面来阐述YOLOv2的算法细节,其中会提到YOLO一些算法YOLO讲解。
 
Better
Batch Normalization
神经网络学习过程本质就是为了学习数据分布,一旦训练数据与测试数据的分布不同,那么网络的泛化能力也大大降低;另外一方面,一旦每批训练数据的分布各不相同(batch 梯度下降),那么网络就要在每次迭代都去学习适应不同的分布,这样将会大大降低网络的训练速度。
 
解决办法之一是对数据都要做一个归一化预处理。YOLOv2网络通过在每一个卷积层后添加batch normalization,极大的改善了收敛速度同时减少了对其它regularization方法的依赖(舍弃了dropout优化后依然没有过拟合),使得mAP获得了2%的提升。
 
先建立这样一个观点: 对数据进行预处理(统一格式、均衡化、去噪等)能够大大提高训练速度,提升训练效果。批量规范化 正是基于这个假设的实践,对每一层输入的数据进行加工。示意图:
BN 的做法是 在卷积池化之后,激活函数之前,对每个数据输出进行规范化(均值为 0,方差为 1)。
公式很简单,第一部分是 Batch内数据归一化(其中 E为Batch均值,Var为方差),Batch数据近似代表了整体训练数据。
 
第二部分是亮点,即引入 附加参数 γ 和 β(Scale & Shift),Why? 因为简单的归一化 相当于只使用了激活函数中近似线性的部分(如下图红色虚线),破坏了原始数据的特征分布,这会降低模型表达能力。
High Resolution Classifier
预训练分类模型采用了更高分辨率的图片
YOLOv1先在ImageNet(224x224)分类数据集上预训练模型的主体部分(大部分目标检测算法),获得较好的分类效果,然后再训练网络的时候将网络的输入从224x224增加为448x448。但是直接切换分辨率,检测模型可能难以快速适应高分辨率。所以YOLOv2增加了在ImageNet数据集上使用448x448的输入来finetune分类网络这一中间过程(10 epochs),这可以使得模型在检测数据集上finetune之前已经适用高分辨率输入。使用高分辨率分类器后,YOLOv2的mAP提升了约4%。
 
Convolutional With Anchor Boxes
YOLOv1是利用全连接层直接预测bounding box的坐标。
YOLOv2则借鉴了Faster R-CNN的思想,引入anchor。
YOLOv2移除了YOLOv1中的全连接层而采用了卷积和anchor boxes来预测边界框。为了使检测所用的特征图分辨率更高,移除其中的一个pool层。在检测模型中,YOLOv2不是采418×418图片作为输入,而是采用416×416大小。因为YOLOv2模型下采样的总步长为32,对于416×416大小的图片,最终得到的特征图大小为13×13,维度是奇数,这样特征图恰好只有一个中心位置。对于一些大物体,它们中心点往往落入图片中心位置,此时使用特征图的一个中心点去预测这些物体的边界框相对容易些。所以在YOLOv2设计中要保证最终的特征图有奇数个位置。
YOLOv2中引入anchor boxes,输出feature map大小为13×13,每个cell有5个anchor box预测得到5个bounding box,一共有13×13×5=845个box。增加box数量是为了提高目标的定位准确率。
 
Dimension Clusters(维度聚类)
为了方便理解我们先讲解一下k-means。
K-Means算法的思想很简单,对于给定的样本集,按照样本之间的距离大小,将样本集划分为K个簇。让簇内的点尽量紧密的连在一起,而让簇间的距离尽量的大。如果用数据表达式表示,

假设簇划分为(C1,C2,…Ck),则我们的目标是最小化平方误差E:
其中μi是簇Ci的均值向量,有时也称为质心,表达式为:
K-Means采用的启发式方式很简单,用下面一组图就可以形象的描述。
了解了K-means,我们再来看看YOLOv2中的Dimension Clusters。
k-means需要有数据,中心点个数是需要人为指定的,位置可以随机初始化,但是还需要度量到聚类中心的距离。这里怎么度量这个距离是很关键的。
距离度量如果使用标准的欧氏距离,大盒子会比小盒子产生更多的错误。例(100-95)^2=25, (5-2.5)^2=6.25。因此这里使用其他的距离度量公式。聚类的目的是anchor boxes和临近的ground truth有更大的IOU值,这和anchor box的尺寸没有直接关系。自定义的距离度量公式:d(box,centroid)=1-IOU(box,centroid)
到聚类中心的距离越小越好,但IOU值是越大越好,所以使用 1 - IOU,这样就保证距离越小,IOU值越大。
作者最终选取5个聚类中心作为先验框。对于两个数据集,5个先验框的width和height如下:
COCO: (0.57273, 0.677385), (1.87446, 2.06253), (3.33843, 5.47434), (7.88282, 3.52778), (9.77052, 9.16828)
VOC: (1.3221, 1.73145), (3.19275, 4.00944), (5.05587, 8.09892), (9.47112, 4.84053), (11.2364, 10.0071)
 
Direct Location prediction
作者在引入anchor box的时候遇到的第二个问题:模型不稳定,尤其是在训练刚开始的时候。作者认为这种不稳定主要来自预测box的中心坐标(x,y)值。
在基于region proposal的目标检测算法中,是通过预测tx和ty来得到(x,y)值,也就是预测的是offsets。
这个公式是无约束的,预测的边界框很容易向任何方向偏移。因此,每个位置预测的边界框可以落在图片任何位置,这导致模型的不稳定性,在训练时需要很长时间来预测出正确的offsets。
 
YOLOv2中没有采用这种预测方式,而是沿用了YOLOv1的方法,就是预测边界框中心点相对于对应cell左上角位置的相对偏移值。
网络在最后一个卷积层输出1313的feature map,有1313个cell,每个cell有5个anchor box来预测5个bounding box,每个bounding box预测得到5个值。
分别为:tx、ty、tw、th和to(类似YOLOv1的confidence)
为了将bounding box的中心点约束在当前cell中,使用sigmoid函数将tx、ty归一化处理,将值约束在0~1,这使得模型训练更稳定。
其实这与BBR回归本质上差不多,BBR回归(相关内容点此链接)的参数是offset偏移值,而YOLO v2回归的是tx,ty,tw,th。它们都需要编码解码的过程来得到最终的坐标信息,差别只是已知信息的不同。
 
Fine-Grained Features
YOLOv2的输入图片大小为416×416,经过5次maxpooling之后得到13×13大小的特征图,并以此特征图采用卷积做预测。13×13大小的特征图对检测大物体是足够了,但是对于小物体还需要更精细的特征图(Fine-Grained Features)。因此SSD使用了多尺度的特征图来分别检测不同大小的物体,前面更精细的特征图可以用来预测小物体。YOLOv2提出了一种passthrough层来利用更精细的特征图。YOLOv2所利用的Fine-Grained Features是26×26大小的特征图(最后一个maxpooling层的输入),对于Darknet-19模型来说就是大小为26×26×512的特征图。passthrough层与ResNet网络的shortcut类似,以前面更高分辨率的特征图为输入,然后将其连接到后面的低分辨率特征图上。前面的特征图维度是后面的特征图的2倍,passthrough层抽取前面层的每个2×2的局部区域,然后将其转化为channel维度,对于26×26×512的特征图,经passthrough层处理之后就变成了13×13×2048的新特征图(特征图大小降低4倍,而channles增加4倍,图6为一个实例),这样就可以与后面的13×13×1024特征图连接在一起形成13×13×3072的特征图,然后在此特征图基础上卷积做预测。
 
Multi-Scale Training
YOLOv2中只有卷积层和池化层,因此不需要固定的输入图片的大小。
为了让模型更有鲁棒性,作者引入了多尺度训练。就是在训练过程中,每迭代一定的次数,改变模型的输入图片大小。
注意:这一步是在检测数据集上fine-tuning时候采用的,不要跟前面在Imagenet数据集上的两步预训练分类模型混淆。
网络输入是416×416,经过5次max pooling之后会输出13×13的feature map,也就是下采样32倍,因此作者采用32的倍数作为输入的size,具体采用320、352、384、416、448、480、512、544、576、608共10种size。
 
输入图片大小为320×320时,特征图大小为10×10,输入图片大小为608×608时,特征图大小为19×19。
每次改变输入图片大小还需要对最后检测层进行处理,然后开始训练。
这种网络训练方式使得相同网络可以对不同分辨率的图像做检测。
在输入size较大时,训练速度较慢,在输入size较小时,训练速度较快,而multi-scale training又可以提高准确率,因此算是准确率和速度都取得一个不错的平衡。
Faster
Darknet-19
网络包含19个卷积层和5个max pooling层,而在YOLOv1中采用的GooleNet,包含24个卷积层和2个全连接层,因此Darknet-19整体上卷积卷积操作比YOLOv1中用的GoogleNet要少,这是计算量减少的关键。最后用average pooling层代替全连接层进行预测。
YOLOv2的训练
YOLOv2的训练主要包括三个阶段。
第一阶段就是先在ImageNet分类数据集上预训练Darknet-19,此时模型输入为224×224,共训练160个epochs。
第二阶段将网络的输入调整为448*448,继续在ImageNet数据集上finetune分类模型,训练10个epochs,此时分类模型的top-1准确度为76.5%,而top-5准确度为93.3%。
第三个阶段就是修改Darknet-19分类模型为检测模型,并在检测数据集上继续finetune网络。
 
LOSS
(1)和YOLOv1一样,对于训练图片中的ground truth,若其中心点落在某个cell内,那么该cell内的5个先验框所对应的边界框负责预测它,具体是哪个边界框预测它,需要在训练中确定,即由那个与ground truth的IOU最大的边界框预测它,而剩余的4个边界框不与该ground truth匹配。YOLOv2同样需要假定每个cell至多含有一个grounth truth,而在实际上基本不会出现多于1个的情况。与ground truth匹配的先验框计算坐标误差、置信度误差(此时target为1)以及分类误差,而其它的边界框只计算置信度误差(此时target为0)。
 
(2)YOLOv2和YOLOv1的损失函数一样,为均方差函数。但是看了YOLOv2的源码(训练样本处理与loss计算都包含在文件region_layer.c中),并且参考国外的blog以及allanzelener/YAD2K(Ng深度学习教程所参考的那个Keras实现)上的实现,发现YOLOv2的处理比原来的v1版本更加复杂。
 
loss计算公式:
 
Stronger
带标注的检测数据集量比较少,而带标注的分类数据集量比较大,因此YOLO9000主要通过结合分类和检测数据集使得训练得到的检测模型可以检测约9000类物体。
一方面要构造数据集(采用WordTree解决),另一方面要解决模型训练问题(采用Joint classification and detection)。
 
参考文章:
https://blog.csdn.net/lwplwf/article/details/82895409
https://blog.csdn.net/l7H9JA4/article/details/79955903
https://www.cnblogs.com/stingsl/p/6428694.html
https://www.jianshu.com/p/032b1eecb335
https://blog.csdn.net/oppo62258801/article/details/76796717
https://blog.csdn.net/jesse_mx/article/details/53925356
https://zhuanlan.zhihu.com/p/25167153
————————————————
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/88852745

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。