本文關鍵詞：基于深度學習的目標識別研究　出處：《南昌航空大學》2017年碩士論文　論文類型：學位論文

  更多相關文章： 深度學習 目標識別 深度堆疊網絡 選擇性搜索 二值規(guī)范化梯度

【摘要】：對圖像中的目標精確識別技術已應用在工業(yè)生產的各個方面,特別在軍事,金融,高端裝備,交通安全等領域,其關鍵技術在于如何提高圖像識別的精準度以及識別速度,這直接影響了該技術的實用性和安全性。深度學習是機器學習領域的一個分支,本質是一種無監(jiān)督學習算法,深度學習在自然語言處理,自然圖像特征學習方面的效果遠遠超過了傳統(tǒng)機器學習相關技術,傳統(tǒng)的圖像識別算法都是人工加入特定特征來識別目標的,不僅識別率低,而且提取困難,由于神經網絡在架構上的特殊性,使得網絡在訓練過程中能夠學習到樣本中的內在規(guī)律,我們稱之為樣本特征,這種高度的抽象能力使得訓練出來的網絡具有極高的泛化能力。本文圍繞著深度學習在目標識別方面的應用,主要展開了以下研究工作:(1)闡述了神經網絡模型的基本結構,其中卷積層與池化層交叉堆疊可以學習抽象的特征,降采樣層可以在最大程度保留原圖信息的同時減少數據處理量,論文還詳細闡述了反向傳播算法。(2)介紹了一種特殊的無監(jiān)督深度神經網絡——深度自編碼器。其輸入輸出向量具有相同維度,常按照輸入向量的某種形式,通過隱層學習一個數據的表示或對原始數據進行有效編碼。(3)提出了一種選擇性搜索結合二值規(guī)范化梯度的目標檢測策略,對比傳統(tǒng)的滑動模型,實驗證明本文提出的策略較其他算法能夠提高6%的檢測精度,達到相同檢測率和召回率時能減少約1500個預選區(qū)域窗口。
[Abstract]:The technology of accurate target recognition in images has been applied in all aspects of industrial production, especially in military, finance, high-end equipment, traffic safety and other fields. The key technology is how to improve the accuracy and speed of image recognition, which directly affects the practicability and security of the technology. Depth learning is a branch of machine learning. Nature is an unsupervised learning algorithm, depth learning in natural language processing, natural image feature learning effect far more than the traditional machine learning related technology. Traditional image recognition algorithms are artificial to add specific features to identify the target, not only low recognition rate, but also difficult to extract, because of the special structure of neural network. So that the network in the process of training can learn the inherent laws in the sample, we call it sample characteristics. This kind of high abstract ability makes the trained network have extremely high generalization ability. This paper focuses on the application of depth learning in target recognition. The basic structure of the neural network model is expounded, in which the convolution layer and the pool layer cross stack can learn abstract features. The demultiplexing layer can keep the original image information to the maximum extent and reduce the data processing amount at the same time. This paper also introduces a special unsupervised depth neural network-depth self-encoder, whose input and output vectors have the same dimension. According to some form of input vector, a target detection strategy based on selective search combined with binary normalized gradient is proposed by learning the representation of a data or effectively encoding the original data by hidden layer. Compared with the traditional sliding model, the experimental results show that the proposed method can improve the detection accuracy of 6%, and reduce about 1 500 pre-selected region windows when the same detection rate and recall rate are achieved.
【學位授予單位】：南昌航空大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;TP181

【相似文獻】

相關期刊論文 前10條

1 劉勇志,劉丙杰;基于多傳感器模糊神經網絡的水下目標識別[J];微計算機信息;2003年07期

2 韓艷春;李智蘭;曾憲文;;目標識別與分類方法[J];軍事通信技術;2003年01期

3 楊建勛,史朝輝;基于模糊綜合函數的目標識別融合算法研究[J];火控雷達技術;2004年04期

4 李彥鵬,施福忠,黎湘,莊釗文;基于模糊綜合評判的目標識別效果評估[J];計算機應用研究;2005年03期

5 左崢嶸,張?zhí)煨?集成證據提高目標識別性能的方法研究[J];華中科技大學學報(自然科學版);2005年03期

6 李彥鵬,黎湘,莊釗文;一種應用模糊聚類分析的目標識別效果評估方法[J];電子對抗技術;2005年03期

7 蓋明久;呂世良;時寶;;一種概率更新方法及在目標識別中的應用[J];海軍航空工程學院學報;2006年05期

8 張平定;王海軍;王睿;;一種基于聚類思想的目標識別新方法[J];空軍工程大學學報(自然科學版);2006年02期

9 賈宇平;付耀文;黎湘;莊釗文;;灰局勢決策方法在決策層融合目標識別中的應用[J];信號處理;2007年04期

10 李靜;黃崢;;靜態(tài)傅里葉干涉具在目標識別中的應用研究[J];光譜學與光譜分析;2009年08期

相關會議論文 前10條

1 王宇;鐘秋海;;用統(tǒng)計模式識別方法建立海上目標識別的數學模型[A];1995中國控制與決策學術年會論文集[C];1995年

2 鄭援;胡成軍;;基于數據融合的魚雷目標識別[A];第十四屆全國信號處理學術年會(CCSP-2009)論文集[C];2009年

3 李夕海;趙克;慕曉冬;劉代志;;目標識別中的特征相空間吸引子分析[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

4 馮杰;蓋強;古軍峰;;模糊聚類分析方法在海上目標識別中的應用[A];第二屆全國信息獲取與處理學術會議論文集[C];2004年

5 趙克;劉代志;慕曉東;蘇娟;;目標識別的特征量約束[A];第九屆全國信號處理學術年會（CCSP-99）論文集[C];1999年

6 李正東;陳興無;宋琛;何武良;;多傳感器的目標識別[A];中國工程物理研究院科技年報（1999）[C];1999年

7 郭相科;劉進忙;曹學斌;張玉鵬;;子類獨立分量分析在聲目標識別中的應用[A];中國聲學學會2007年青年學術會議論文集（上）[C];2007年

8 張翠;高廣春;趙勝穎;;基于時間融合算法的近程目標識別[A];2011下一代自動測試系統(tǒng)學術研討會論文集[C];2011年

9 俞鴻波;趙榮椿;;三維空間目標識別概述[A];信號與信息處理技術——第一屆信號與信息處理聯合學術會議論文集[C];2002年

10 曹健;陳紅倩;毛典輝;李海生;蔡強;;基于局部特征的圖像目標識別問題綜述[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

相關重要報紙文章 前2條

1 莫衍崴 特約記者劉謙;上士白光斌:電話傳音排故障[N];戰(zhàn)士報;2012年

2 陳德潮邋本報特約通訊員 曹金平 劉劍;為潛艇鑄“魂”[N];解放軍報;2008年

相關博士學位論文 前10條

1 肖永生;射頻隱身雷達信號設計與目標識別研究[D];南京航空航天大學;2014年

2 崔宗勇;合成孔徑雷達目標識別理論與關鍵技術研究[D];電子科技大學;2015年

3 丁軍;基于稀疏理論的SAR圖像目標識別研究[D];西安電子科技大學;2015年

4 韓靜;基于仿生視覺模型和復雜信息學習的多光譜夜視目標識別技術[D];南京理工大學;2014年

5 黃璇;多源引導信息融合及其關鍵技術研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2016年

6 寧宣杰;基于空防雷達網絡的多傳感器信息融合關鍵技術研究及其應用[D];東北大學;2014年

7 楊松巖;高頻波段雷達目標特征提取與識別方法研究[D];哈爾濱工業(yè)大學;2016年

8 張學峰;雷達高分辨距離像目標識別與拒判方法研究[D];西安電子科技大學;2015年

9 李西平;塔機超聲安全預警目標識別的神經網絡方法研究[D];西安建筑科技大學;2015年

10 舒銳;衛(wèi)星目標識別與特征參數提取方法研究[D];哈爾濱工業(yè)大學;2010年

相關碩士學位論文 前10條

1 許俊峰;基于模型的任意視點下三維目標識別研究[D];南京航空航天大學;2015年

2 李建;毫米波輻射計目標識別性能測試系統(tǒng)研究[D];南京理工大學;2015年

3 陳晨;紅外/毫米波復合信號處理方法及電路設計[D];南京理工大學;2015年

4 王玉君;基于遠紅外熱像儀的地面機動目標識別[D];沈陽理工大學;2015年

5 姚國偉;基于高分辨距離像的艦船目標識別研究[D];哈爾濱工業(yè)大學;2015年

6 周偉峰;基于神經網絡的單目機器人目標識別定位研究[D];安徽工程大學;2015年

7 譚敏潔;基于壓縮感知的雷達一維距離像目標識別[D];電子科技大學;2015年

8 王翔;基于局部神經反應的目標識別研究[D];華中師范大學;2015年

9 劉巍;基于非均勻采樣圖像的目標識別與跟蹤算法研究[D];北京理工大學;2015年

10 田兵兵;基于核函數的SAR圖像目標識別研究[D];電子科技大學;2015年

，

本文編號：1414657