【摘要】：針對軍用機(jī)場大尺寸衛(wèi)星圖像中航空器檢測識別的具體應(yīng)用場景,建立了一套實(shí)時(shí)目標(biāo)檢測識別框架,將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到大尺寸圖像中的航空器目標(biāo)檢測與識別任務(wù)中。首先,將目標(biāo)檢測的任務(wù)看成空間上獨(dú)立的bounding-box的回歸問題,用一個(gè)24層卷積神經(jīng)網(wǎng)絡(luò)模型來完成bounding-box的預(yù)測;然后,利用圖像分類網(wǎng)絡(luò)來完成目標(biāo)切片的分類任務(wù)。大尺寸圖像上的傳統(tǒng)目標(biāo)檢測識別算法通常在時(shí)間效率上很難突破,而基于卷積神經(jīng)網(wǎng)絡(luò)的航空器目標(biāo)檢測識別算法充分利用了計(jì)算硬件的優(yōu)勢,大大縮短了任務(wù)耗時(shí)。在符合應(yīng)用場景的自采數(shù)據(jù)集上進(jìn)行測試,所提算法目標(biāo)檢測實(shí)時(shí)性達(dá)到平均每張5.765 s,在召回率65.1%的工作點(diǎn)上達(dá)到了79.2%的精確率,分類網(wǎng)絡(luò)的實(shí)時(shí)性達(dá)到平均每張0.972 s,Top-1錯(cuò)誤率為13%。所提框架在軍用機(jī)場大尺寸衛(wèi)星圖像中航空器檢測識別的具體應(yīng)用問題上提出了新的解決思路,同時(shí)保證了實(shí)時(shí)性和算法精度。
【圖文】：

3AlexNet圖像分類網(wǎng)絡(luò)AlexNet獲得了ILSVRC2012圖像分類第一名，是近幾年卷積神經(jīng)網(wǎng)絡(luò)在圖像方面應(yīng)用的里程碑式模型［14］。AlexNet采用了5層卷積層加3層全連接層的結(jié)構(gòu)，相對卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典模型LeNet來說復(fù)雜了許多。AlexNet的網(wǎng)絡(luò)架構(gòu)如圖1所示。AlexNet在細(xì)節(jié)處理方面結(jié)合了文獻(xiàn)［14］的改進(jìn)方法，使用了ReLU作為激活函數(shù)，，并使用了Dropout的方式防止過擬合現(xiàn)象。AlexNet中一層完整的卷積層包括了卷積、ReLU、Max-pooling以及Normalization四個(gè)部分。最后對訓(xùn)練數(shù)據(jù)作了增量處理，再次降低了過擬合的風(fēng)險(xiǎn)。圖1AlexNet網(wǎng)絡(luò)結(jié)構(gòu)Fig．1NetworkarchitectureofAlexNet2基于CNN的目標(biāo)檢測識別框架2．1卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)是可以用作處理多維數(shù)組類型的數(shù)據(jù)的算法，三通道的RGB圖像就是一個(gè)典型的例子，它的四個(gè)關(guān)鍵部分分別是:局部連接、權(quán)值共享、池化以及多層卷積。一個(gè)典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由這樣一系列步驟組成:第一個(gè)階段包含卷積層和池化層，卷積層單元(卷積核)位于特征圖(FeatureMap)中，每一個(gè)卷積核通過一組權(quán)值和上一層的特征圖的某個(gè)局部塊作卷積，即局部連接;然后將這個(gè)加權(quán)和傳遞給一個(gè)非線性激活函數(shù)，例如Sigmoid函數(shù)或者ReLU。同一個(gè)特征圖中所有單元共享權(quán)值，不同層的特征圖則使用不同的權(quán)值，即權(quán)值共享。顯而易見，權(quán)值共享大大減少權(quán)重參數(shù)的數(shù)量。使用局部連接和權(quán)值共享能夠起作用主要是因?yàn)?通常一個(gè)特征點(diǎn)附近的值是高度相關(guān)的，可以形成比較容易被探測到的有區(qū)分性的局部特征;其次，不同位置局部統(tǒng)計(jì)特征不太相關(guān)，也就是說在一個(gè)地方出現(xiàn)的某個(gè)特征可能會(huì)出現(xiàn)在別的地方，所以不同位置的單元可以共享權(quán)值。卷積層的作用是感知上一層特征的局部連接，然而池化層的作用則是在語義上把相似?

本文所設(shè)計(jì)框架的應(yīng)用場景是:針對對地衛(wèi)星拍攝的包含軍用機(jī)場的大尺寸光學(xué)圖像，需要分別輸出航空器目標(biāo)的定位框和航空器類型識別結(jié)果。受限于應(yīng)用場景的規(guī)定，本框架需要分別完成bounding-box檢測和類型識別兩個(gè)模塊，并各自配有可視化輸出。由于項(xiàng)目對目標(biāo)檢測的要求較高，提高檢測率的同時(shí)還要保證實(shí)時(shí)性。與此同時(shí)，通過觀察數(shù)據(jù)集，發(fā)現(xiàn)各類的訓(xùn)練數(shù)據(jù)不均衡，因此直接采用檢測-識別同時(shí)完成的框架，會(huì)導(dǎo)致檢測率和識別率大幅降低。綜合考慮各個(gè)因素，本文提出了融合兩個(gè)網(wǎng)絡(luò)來完成航空器目標(biāo)檢測識別任務(wù)。如圖2所示，本文算法流程大致可分為預(yù)處理輸入圖像、目標(biāo)檢測、類型識別、以及輸出綜合結(jié)果四個(gè)階段。圖2本文算法流程Fig．2Flowchartoftheproposedalgorithm2．2．1檢測網(wǎng)絡(luò)檢測部分，本文在YOLO算法的基礎(chǔ)上作了改進(jìn)，YOLO關(guān)鍵問題是采用網(wǎng)格分割圖像導(dǎo)致的檢測精度下降以及檢測過小目標(biāo)的問題。圖3給出了目標(biāo)檢測部分的網(wǎng)絡(luò)架構(gòu)，由24個(gè)級聯(lián)的卷1704計(jì)算機(jī)應(yīng)用第37卷
【作者單位】： 上海交通大學(xué)電子信息與電氣工程學(xué)院;上海交通大學(xué)計(jì)算機(jī)模式識別實(shí)驗(yàn)室;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61375008)~~
【分類號】：E954;TP183;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張軍華;神經(jīng)網(wǎng)絡(luò)技術(shù)及其在軍用系統(tǒng)中的應(yīng)用[J];現(xiàn)代防御技術(shù);1992年04期

2 陳有偉,李為民;基于混合訓(xùn)練神經(jīng)網(wǎng)絡(luò)的武器系統(tǒng)效能評估[J];計(jì)算機(jī)工程與應(yīng)用;2003年08期

3 王靜巖,鄭建軍,吳裕樹;一種基于神經(jīng)網(wǎng)絡(luò)的作戰(zhàn)方案評估方法[J];軍事運(yùn)籌與系統(tǒng)工程;2005年01期

4 黃鋒振;劉文法;;基于神經(jīng)網(wǎng)絡(luò)的單一武器作用地位分析[J];彈箭與制導(dǎo)學(xué)報(bào);2006年S8期

5 王洛國;;神經(jīng)網(wǎng)絡(luò)在毒劑識別中的應(yīng)用[J];太原理工大學(xué)學(xué)報(bào);2008年06期

6 黃迎馨;神經(jīng)網(wǎng)絡(luò)及其在軍事上的應(yīng)用[J];火力與指揮控制;1992年01期

7 ;應(yīng)用于電子戰(zhàn)的神經(jīng)網(wǎng)絡(luò)正在研制中[J];航天電子對抗;1993年03期

8 畢世華,劉文婧;基于神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈測發(fā)控制系統(tǒng)故障診斷專家系統(tǒng)[J];彈箭與制導(dǎo)學(xué)報(bào);2003年01期

9 姚尚鋒;楊占營;鄒彪;;多屬性裝備質(zhì)量綜合評價(jià)的神經(jīng)網(wǎng)絡(luò)方法[J];廣西輕工業(yè);2007年12期

10 范世武;;線性神經(jīng)網(wǎng)絡(luò)在艦船磁場推算模型中的應(yīng)用[J];船電技術(shù);2012年06期

相關(guān)會(huì)議論文 前9條

1 王建成;;基于神經(jīng)網(wǎng)絡(luò)的彈藥消耗預(yù)測模型[A];第六屆中國青年運(yùn)籌與管理學(xué)者大會(huì)論文集[C];2004年

2 張文仲;毛用澤;;基于BP算法的神經(jīng)網(wǎng)絡(luò)技術(shù)在中子彈核爆炸彈型識別中的應(yīng)用[A];第十屆全國核電子學(xué)與核探測技術(shù)學(xué)術(shù)年會(huì)論文集[C];2000年

3 孫曉旭;單家元;;基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)滑模逆控制器設(shè)計(jì)[A];2008’“先進(jìn)集成技術(shù)”院士論壇暨第二屆儀表、自動(dòng)化與先進(jìn)集成技術(shù)大會(huì)論文集[C];2008年

4 劉百順;徐亦凡;劉雙印;;基于神經(jīng)網(wǎng)絡(luò)的可回轉(zhuǎn)槳推力仿真[A];2001系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2001年

5 張德欣;張海祥;陳友良;;基于BP神經(jīng)網(wǎng)絡(luò)的電子戰(zhàn)系統(tǒng)干擾能力評估[A];全國第三屆信號和智能信息處理與應(yīng)用學(xué)術(shù)交流會(huì)�？痆C];2009年

6 張文廣;史賢俊;唐靜;肖支才;;基于IGA-RBF神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈控制系統(tǒng)故障診斷[A];2011年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊）[C];2011年

7 宋曉東;姚曉先;李志偉;;基于RBF神經(jīng)網(wǎng)絡(luò)的智能泵源流量補(bǔ)償研究[A];2008’“先進(jìn)集成技術(shù)”院士論壇暨第二屆儀表、自動(dòng)化與先進(jìn)集成技術(shù)大會(huì)論文集[C];2008年

8 衣英剛;霍志成;常明;;基于BP神經(jīng)網(wǎng)絡(luò)知識的故障診斷系統(tǒng)研究[A];創(chuàng)新驅(qū)動(dòng)，加快戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展——吉林省第七屆科學(xué)技術(shù)學(xué)術(shù)年會(huì)論文集（上）[C];2012年

9 謝曉竹;侯冰;;基于改進(jìn)自適應(yīng)粒子群算法和BP神經(jīng)網(wǎng)絡(luò)的地面聲目標(biāo)識別[A];中國自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

相關(guān)碩士學(xué)位論文 前10條

1 李龍龍;基于AMESim的某武器電液伺服系統(tǒng)仿真與優(yōu)化控制研究[D];南京理工大學(xué);2015年

2 馬敏明;某火箭炮伺服控制系統(tǒng)設(shè)計(jì)及控制算法研究[D];南京理工大學(xué);2015年

3 趙玉;基于慣性測量與組合預(yù)測的艦船瞬時(shí)線運(yùn)動(dòng)計(jì)算方法研究[D];東南大學(xué);2015年

4 魏全增;炮控裝置負(fù)載模擬器控制策略研究[D];南京理工大學(xué);2016年

5 侯艷芳;基于神經(jīng)網(wǎng)絡(luò)的通信盲偵察技術(shù)研究[D];西安電子科技大學(xué);2007年

6 宋清;大型艦船甲板運(yùn)動(dòng)態(tài)勢預(yù)測方法研究[D];東南大學(xué);2016年

7 梁勇飛;基于自構(gòu)建神經(jīng)網(wǎng)絡(luò)高精度交流位置伺服系統(tǒng)研究[D];南京理工大學(xué);2017年

8 李榮;火炮關(guān)鍵參數(shù)誤差方案的區(qū)間優(yōu)化及神經(jīng)網(wǎng)絡(luò)優(yōu)選[D];南京理工大學(xué);2017年

9 劉輝;基于神經(jīng)網(wǎng)絡(luò)技術(shù)的導(dǎo)彈系統(tǒng)建模與控制方法研究[D];西北工業(yè)大學(xué);2004年

10 顧秀江;基于粒子群—神經(jīng)網(wǎng)絡(luò)的自動(dòng)裝填控制系統(tǒng)故障診斷的研究[D];中北大學(xué);2012年

本文編號：2540490