本研究论文讨论了一种固定时间非奇异终端滑模控制方法，适用于存在非线性和外部干扰的无人机（Unmanned Aerial Vehicles，简称UAVs）。研究的核心在于提出一种控制策略，该策略能够确保无人机系统达到期望状态，同时克服传统滑模控制在处理非线性和干扰时可能出现的奇异性问题。 关键词涵盖了无人机（Unmanned Aerial Vehicles）、固定时间（Fixed-Time）、终端滑模控制（Terminal Sliding Mode Control）、非奇异（Nonsingular）。 在研究的介绍部分，作者提到了无人机因其广泛的应用而引起了研究人员的密切关注。根据旋翼的数量，无人机可以分为单旋翼、双旋翼和多旋翼。四旋翼无人机（Quad-rotor UAVs），也称作四旋翼飞行器，因其结构简单和流行程度而广为人知。无人机领域中的控制问题始终是研究的焦点，尤其是在飞行稳定性和控制精度上。 传统的滑模控制（Sliding Mode Control, SMC）技术，因为其对系统参数变化的鲁棒性，在机器人和飞行器控制领域中有着广泛的应用。然而，标准的滑模控制在实际应用中存在一些问题，特别是当系统包含非线性因素和外部干扰时，这些问题会更加凸显。在这些情况下，控制系统的性能可能会受到显著影响。 为了解决上述问题，研究者提出了一种固定时间非奇异终端滑模控制方法。该方法通过设计一个特殊的滑模面，确保系统状态能在固定时间内达到期望的平衡点，且达到平衡的时间与系统的初始状态无关。该方法的核心是基于切换饱和函数的非奇异终端滑模控制策略，这种控制策略能够有效避免奇异性问题。奇异性问题是指在传统滑模控制中，由于滑模面的定义导致控制器在某些操作点上趋向于无限大，从而使得实际控制量变得不可实现。 此外，文中通过仿真结果展示了该控制方法的有效性。仿真结果能够说明，在面对外部干扰和非线性特性时，无人机系统依然能够稳定运行，且能够在预定的固定时间内达到或维持在理想的状态。这为无人机系统的精确控制提供了一种新的思路和解决方案。 在文章的主体部分，作者详细介绍了固定时间非奇异终端滑模控制方法的理论基础和控制策略的设计。该控制策略可能涉及数学模型的建立、滑模面的设计、以及到达条件的确立等步骤。研究者们还可能在文中探讨了如何在保证系统快速收敛的同时，避免出现控制力无限增大的情况。 这项研究为无人机控制领域提供了一种新的思路，特别是在需要快速且精确控制的应用场合，如无人飞行器的自主导航、精确悬停、以及对复杂环境的适应。通过引入固定时间非奇异终端滑模控制，可以显著提高无人机系统的鲁棒性与安全性，使其在工业、农业、救援和军事应用中发挥更大的作用。未来的研究可能会进一步探索这一控制方法在更复杂系统中的应用，并尝试解决控制过程中可能出现的其他挑战，例如参数不确定性和模型不准确性问题。

使用LAB颜色空间进行阴影检测 该存储库包含该论文的python实现：Ashraful Huq Suny和Nasrin Hakim Mithila，“使用LAB色彩空间从单个图像中进行阴影检测和去除”，IJCSI 2013： ：//www.ijcsi.org/papers/IJCSI 我们使用LAB颜色空间来确定航空影像中阴影上的区域，可以将其用作阴影地面真相图进行分析。

DOTA-DOAI 抽象的 这个repo是我们团队参加DOTA相关比赛的代码库，包括旋转和水平检测。 我们主要使用基于的两阶段检测器，由和完成。 我们还推荐了一个基于张量流的，由领导。 表现 DOTA1.0（任务1） 模型 骨干 训练数据 数值数据 地图 模型链接 技巧 lr schd 数据增强 图形处理器 图像/GPU 配置 FPN ResNet152_v1d (600,800,1024)->MS DOTA1.0 trainval DOTA1.0测试 78.99 全部 2x 是的 2X GeForce RTX 2080 Ti 1 cfgs_dota1.0_res152_v1.py DOTA1.0（任务2） 模型 骨干 训练数据 数值数据 地图 模型链接 技巧 lr schd 数据增强 图形处理器 图像/GPU 配置 FPN（内存消耗） ResNet152_v1

Cooperative Path Planning of Unmanned Aerial Vehicles

空中图 概述 加载不同格式的相机姿势（例如 ， ） 从原始图像，相机姿势和相机内部生成密集的点云 从原始点云生成数字表面模型（DSM）并导出，例如导出为格式 从原始图像，相机姿势和相机内在函数生成（正交）马赛克的不同方法 包装概述 元数据包 示例可执行文件。 使用平面校正生成密集点云。 数字曲面贴图/模型生成。 Google Maps API的包装程序包。 包装程序包。 读取/写入姿势，内在函数，点云，GeoTiffs等的输入/输出处理程序。 用于（）镶嵌生成的不同方法。 包含第三方代码的软件包。 aircraft_mapper_utils：通用实用程序功能的软件包。 入门 如何安装 如何运行（+示例数据集） 如何贡献 输出样本 密集点云（来自虚拟立体声对，2张图像） 数字表面图（DSM，导出为GeoTiff） （正交）马赛克（来自单应性，249张图像） 原

Aerial Screen Saver for macOS! This is a GitHub open source project, which can display the beautiful scenery in the screen saver on your Mac! Come and download it!

由于电力线绝缘子的故障导致输电系统的故障，因此广泛使用基于空中平台的绝缘子检查系统。 绝缘子缺陷检测是针对航空图像中的复杂背景执行的，这提出了一个有趣但具有挑战性的问题。基于手工特征或浅层学习技术的传统方法只能在特定的检测条件下（例如何时）定位绝缘子并检测故障。在某些对象范围或特定照明条件下，具有足够的先验知识，背景干扰小。 本文讨论了使用航空图像自动检测绝缘子缺陷，准确定位从实际检查环境捕获的输入图像中出现的绝缘子缺陷的方法。我们提出了一种新颖的深度卷积神经网络（CNN）。级联体系结构，用于执行定位和检测。绝缘子中的缺陷。 级联网络使用基于区域提议网络的CNN将缺陷检查转换为两级目标检测问题。 为了解决实际检查环境中缺陷图像的稀缺性，还提出了一种数据增强方法，该方法包括以下四个操作：1）仿射变换； 2）仿射变换； 2）仿射变换。 2）绝缘子分割和背景融合； 3）高斯模糊； 4）亮度转换。 使用标准绝缘子数据集，缺陷检测精度和建议方法的召回率分别为0.91和0.96，并且可以成功检测到各种条件下的绝缘子缺陷。 实验结果表明，该方法符合绝缘子缺陷检测的鲁棒性和准确性要求。

ABAL: Aerial Beacon Assisted Localization of Wireless Sensor Networks with RSS Maxima

MacOS 超炫4K高清屏保 Aerial 4K HDR 40G容量，本人下了2周才下完整，都是心血啊，只针对Catalina（MacOS 10.15及以上）。

针对空中群的作战任务分配问题，首先对战场环境进行了假设。 然后分别分析了战场的两个多属性主体，群飞机和攻击目标。第二，在综合考虑隐身和反隐身，攻击和反击的基础上，多车通过分析SA承担侦察，攻击和评估任务的成本和收益，建立了目标功能。 然后，在考虑了弹药限度等约束条件的基础上，建立了具有多目标，多任务，。多约束，异构多飞机特性的任务分配模型。为了更好地传达模型信息，提出了一种新的整数编码方法，提出了一种整数编码的狼群算法（ICWPA）来求解任务分配模型。 仿真结果表明，该模型和算法可以有效地解决空中群的作战任务分配问题。