發(fā)布時(shí)間：2022-01-02 09:37

　　隨著人工智能與機(jī)器視覺技術(shù)的快速發(fā)展,多場(chǎng)景、跨域交叉應(yīng)用成為智能化目標(biāo)識(shí)別算法發(fā)展的新趨勢(shì)。由于應(yīng)用場(chǎng)景的多樣性,難以為每一個(gè)全新的場(chǎng)景采集并標(biāo)注足量的訓(xùn)練樣本,甚至在很多情況下,新場(chǎng)景中的樣本完全沒有標(biāo)簽,即所謂的“無監(jiān)督”條件。這要求目標(biāo)識(shí)別算法能夠復(fù)用已有的標(biāo)簽樣本和新場(chǎng)景下的無標(biāo)簽樣本對(duì)識(shí)別模型進(jìn)行無監(jiān)督訓(xùn)練,使其能夠有效地推廣到新的應(yīng)用領(lǐng)域,實(shí)現(xiàn)跨域目標(biāo)識(shí)別。目前,以概率分布建模為基礎(chǔ)的概率分布適配技術(shù)是解決跨域目標(biāo)識(shí)別的主要方法。然而,在無監(jiān)督條件下存在標(biāo)簽信息缺失、樣本數(shù)量不足等問題,導(dǎo)致現(xiàn)有方法不能很好地建立數(shù)據(jù)的分布模型,降低了算法的跨域識(shí)別性能和泛化能力。本文圍繞上述問題展開研究,重點(diǎn)解決因樣本標(biāo)簽信息不完備而導(dǎo)致的識(shí)別模型泛化能力不強(qiáng)及識(shí)別性能不佳的問題,改善當(dāng)前目標(biāo)識(shí)別算法的應(yīng)用領(lǐng)域局限性,進(jìn)一步優(yōu)化算法的通用性和推廣能力。本文的主要工作如下:由于無監(jiān)督條件下樣本的標(biāo)簽信息完全缺失,不能準(zhǔn)確建立樣本的條件概率分布模型,導(dǎo)致基于概率分布適配的傳統(tǒng)跨域識(shí)別算法無法有效實(shí)施。本文首先研究無監(jiān)督條件下的概率分布建模方法,利用標(biāo)簽分布的先驗(yàn)信息和偽標(biāo)簽預(yù)測(cè)算法,更為準(zhǔn)確... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：132 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀與存在問題分析
        1.2.1 無監(jiān)督大樣本跨域目標(biāo)識(shí)別方法研究現(xiàn)狀
        1.2.2 無監(jiān)督少樣本跨域目標(biāo)識(shí)別方法研究現(xiàn)狀
        1.2.3 無監(jiān)督多源跨域目標(biāo)識(shí)別方法研究現(xiàn)狀
    1.3 擬解決的關(guān)鍵技術(shù)問題
    1.4 本文主要研究內(nèi)容
第2章 大樣本跨域目標(biāo)識(shí)別優(yōu)化算法模型的建立
    2.1 引言
    2.2 基于概率分布適配的跨域目標(biāo)識(shí)別算法框架
    2.3 結(jié)構(gòu)化聯(lián)合分布適配算法(SJDA)
        2.3.1 結(jié)構(gòu)化偽標(biāo)簽預(yù)測(cè)算法
        2.3.2 基于結(jié)構(gòu)化偽標(biāo)簽預(yù)測(cè)的聯(lián)合分布適配
    2.4 基于SJDA的大樣本跨域識(shí)別優(yōu)化算法模型的建立
        2.4.1 SJDA模型框架與深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)
        2.4.2 SJDA模型的優(yōu)化方法設(shè)計(jì)
        2.4.3 SJDA方法誤差邊界的估計(jì)與分析
    2.5 SJDA方法的實(shí)驗(yàn)分析與性能驗(yàn)證
        2.5.1 無監(jiān)督實(shí)驗(yàn)數(shù)據(jù)集的建立
        2.5.2 SJDA方法性能驗(yàn)證的對(duì)比方法選擇
        2.5.3 實(shí)驗(yàn)參數(shù)設(shè)置與性能評(píng)價(jià)指標(biāo)
        2.5.4 SJDA方法性能驗(yàn)證實(shí)驗(yàn)結(jié)果與分析
        2.5.5 SJDA方法主要技術(shù)的有效性驗(yàn)證
    2.6 本章小結(jié)
第3章 樣本噪聲條件下跨域目標(biāo)識(shí)別優(yōu)化算法研究
    3.1 引言
    3.2 域參數(shù)相似性正則化方法的提出
        3.2.1 域參數(shù)相似性正則化方法的具體形式
        3.2.2 基于正交自編碼機(jī)的參數(shù)矩陣降維方法
        3.2.3 參數(shù)矩陣的相似性度量方法研究
    3.3 基于DPSR算法的跨域目標(biāo)識(shí)別模型建立
        3.3.1 DPSR識(shí)別模型的深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)
        3.3.2 DPSR識(shí)別模型的優(yōu)化方法設(shè)計(jì)
        3.3.3 DPSR識(shí)別模型的誤差邊界分析
    3.4 DPSR模型跨域識(shí)別性能的實(shí)驗(yàn)驗(yàn)證與分析
        3.4.1 實(shí)驗(yàn)條件與對(duì)比方法
        3.4.2 實(shí)驗(yàn)參數(shù)的計(jì)算與設(shè)置
        3.4.3 DPSR模型性能驗(yàn)證實(shí)驗(yàn)結(jié)果與分析
        3.4.4 DPSR模型的有效性驗(yàn)證與分析
    3.5 本章小結(jié)
第4章 基于屬性圖模型的少樣本跨域目標(biāo)識(shí)別優(yōu)化算法設(shè)計(jì)
    4.1 引言
    4.2 無監(jiān)督屬性特征提取方法研究
        4.2.1 屬性語義空間的建立
        4.2.2 屬性特征的提取
    4.3 基于圖網(wǎng)絡(luò)的屬性關(guān)系建模
        4.3.1 圖卷積操作的數(shù)學(xué)形式推導(dǎo)
        4.3.2 屬性關(guān)系的圖卷積神經(jīng)網(wǎng)絡(luò)模型
    4.4 基于屬性圖模型(AGM)的跨域目標(biāo)識(shí)別算法設(shè)計(jì)
        4.4.1 屬性圖模型的架構(gòu)設(shè)計(jì)
        4.4.2 屬性圖模型的優(yōu)化方法
    4.5 AGM識(shí)別模型的實(shí)驗(yàn)驗(yàn)證與分析
        4.5.1 用于AGM模型驗(yàn)證的少樣本實(shí)驗(yàn)數(shù)據(jù)集構(gòu)建
        4.5.2 AGM性能驗(yàn)證實(shí)驗(yàn)的對(duì)比方法選擇與實(shí)驗(yàn)參數(shù)設(shè)置
        4.5.3 AGM模型性能驗(yàn)證實(shí)驗(yàn)結(jié)果與分析
        4.5.4 AGM模型的有效性驗(yàn)證與分析
    4.6 本章小結(jié)
第5章 基于多源選擇分布適配的飛行目標(biāo)跨域識(shí)別算法研究
    5.1 引言
    5.2 飛行目標(biāo)識(shí)別中的多數(shù)據(jù)源跨域識(shí)別問題分析
    5.3 多源選擇分布適配算法(MSDA)的提出
    5.4 基于MSDA算法的飛行目標(biāo)識(shí)別模型建立
        5.4.1 基于跨域生成對(duì)抗網(wǎng)絡(luò)的識(shí)別模型設(shè)計(jì)
        5.4.2 飛行目標(biāo)識(shí)別模型的優(yōu)化方法研究
    5.5 飛行目標(biāo)識(shí)別模型的實(shí)驗(yàn)驗(yàn)證與性能分析
        5.5.1 典型飛行目標(biāo)數(shù)據(jù)集的建立
        5.5.2 MSDA性能驗(yàn)證實(shí)驗(yàn)的對(duì)比方法選擇與實(shí)驗(yàn)參數(shù)設(shè)置
        5.5.3 飛行目標(biāo)識(shí)別模型性能驗(yàn)證實(shí)驗(yàn)結(jié)果與分析
    5.6 飛行目標(biāo)識(shí)別模型硬件加速平臺(tái)的搭建
        5.6.1 加速平臺(tái)的架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)方案
        5.6.2 飛行目標(biāo)識(shí)別模型在硬件加速平臺(tái)上的運(yùn)行結(jié)果
    5.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀博士學(xué)位期間發(fā)表的論文及其它成果
致謝
個(gè)人簡歷


【參考文獻(xiàn)】：
期刊論文
[1]基于稀疏表示的紅外空中目標(biāo)分類算法（英文）[J]. 金璐,李范鳴,劉士建,王霄.  紅外與毫米波學(xué)報(bào). 2019(05)
[2]傳統(tǒng)特征和深度特征融合的紅外空中目標(biāo)跟蹤[J]. 胡陽光,肖明清,張凱,王曉柱,段耀澤.  系統(tǒng)工程與電子技術(shù). 2019(12)
[3]基于BRDF的空中目標(biāo)紅外成像建模與仿真[J]. 王霄,高思莉,李范鳴.  紅外與毫米波學(xué)報(bào). 2019(02)
[4]深度學(xué)習(xí)在紅外目標(biāo)跟蹤中的應(yīng)用展望[J]. 莊旭陽,陳寶國,張景山.  航空兵器. 2019(01)
[5]基于信息融合的空中弱小目標(biāo)檢測(cè)[J]. 鄧劍勛,熊忠陽,鄧欣.  電光與控制. 2018(02)
[6]基于屬性關(guān)系圖正則化特征選擇的零樣本分類[J]. 鞏萍,程玉虎,王雪松.  中國礦業(yè)大學(xué)學(xué)報(bào). 2015(06)
[7]空中目標(biāo)紅外輻射特性建模與測(cè)量誤差分析[J]. 雷萍,雷萍,馬娜,曲衛(wèi)東,薛挺.  光電技術(shù)應(yīng)用. 2009(05)
[8]空中飛行目標(biāo)尾焰紅外輻射信號(hào)的建模與仿真[J]. 高思莉,湯心溢.  光電工程. 2007(08)

博士論文
[1]復(fù)雜天空背景下紅外小弱目標(biāo)檢測(cè)與跟蹤關(guān)鍵技術(shù)研究[D]. 劉德鵬.重慶大學(xué) 2018
[2]零樣本學(xué)習(xí)關(guān)鍵技術(shù)研究[D]. 李亞南.浙江大學(xué) 2018
[3]遷移學(xué)習(xí)問題與方法研究[D]. 龍明盛.清華大學(xué) 2014

碩士論文
[1]空中目標(biāo)場(chǎng)景紅外多波段仿真研究[D]. 阮日權(quán).西安電子科技大學(xué) 2013



本文編號(hào)：3563940