針對戰(zhàn)場軍事車輛分類等任務的可供訓練樣本較少的車型分類任務,在Alex Net網(wǎng)絡的基礎上引入多尺度分支的思想,設計了多尺度特征提取卷積神經(jīng)網(wǎng)絡。仿照戰(zhàn)場軍用車輛數(shù)據(jù)集的特點,構建了復雜背景下多角度、多尺度、類間差異小、類內差異大的10類較細粒度車型分類數(shù)據(jù)集。所提出的方法在實驗平臺上達到了每張圖片0.003 s的分類識別速度,依據(jù)算力計算具有嵌入式實時性應用的可能。結合自適應學習率等方法,在小樣本車型分類數(shù)據(jù)集上實現(xiàn)了最高92%的分類準確率,同等實驗條件下分類性能和訓練速度均優(yōu)于主流卷積神經(jīng)網(wǎng)絡Alex Net。提出的多尺度特征提取卷積神經(jīng)網(wǎng)絡在智能彈藥或無人機進行軍用車輛識別和部分民用場景等小樣本車型分類場景中具有應用價值。 

【文章來源】：兵器裝備工程學報. 2020,41(08)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

坦克圖像局部性

同類車輛具有相同的特征，雖然可能位于圖片中不同的位置，但是檢測這些特征的模式是一致的。并且對于車輛目標圖片，進行下采樣操作完成圖片縮放后圖片的性質基本保持不變�；谶@樣的識別特性，Alex Net的網(wǎng)絡結構如圖2所示。輸入圖像為大小227×227像素的三通道數(shù)字圖像，經(jīng)過卷積層(Convolutional Layer,Conv)，池化層(Pooling Layer,Poo L)和全連接層(Full Connected Layer,FC)構成的前向傳播通道，最終輸出各類別的得分，依據(jù)得分高低來判斷圖像的種類。

卷積層是對每個通道的二維圖像數(shù)據(jù)進行卷積操作，卷積操作由卷積核完成，如圖3所示。卷積核是由可學習的參數(shù)集合的濾波器，通過卷積核在輸入圖像上按照一定步長進行滑動，依次通過卷積計算出特征映射神經(jīng)元并組合成特征圖(feature maps)。二維卷積公式為

【參考文獻】：
期刊論文
[1]一種基于支持向量機中分離超平面求取的算法[J]. 易校石,劉念.  重慶工商大學學報(自然科學版). 2018(03)
[2]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[3]深度卷積神經(jīng)網(wǎng)絡的汽車車型識別方法[J]. 張軍,張婷,楊正瓴,朱新山,楊伯軒.  傳感器與微系統(tǒng). 2016(11)
[4]基于深度卷積神經(jīng)網(wǎng)絡的車型識別研究[J]. 鄧柳,汪子杰.  計算機應用研究. 2016(03)
[5]Jetson TK1平臺實現(xiàn)快速紅外圖像背景預測算法[J]. 吳鑫,張建奇,楊琛.  紅外與激光工程. 2015(09)

碩士論文
[1]基于深度學習的車型識別[D]. 應晨露.中國科學技術大學 2018
[2]深度學習算法在高光譜影像分類中的應用研究[D]. 郭守恒.成都理工大學 2017



本文編號：3529538