發(fā)布時(shí)間：2018-01-12 14:28

  本文關(guān)鍵詞：基于深度學(xué)習(xí)的目標(biāo)識(shí)別研究　出處：《南昌航空大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 深度學(xué)習(xí) 目標(biāo)識(shí)別 深度堆疊網(wǎng)絡(luò) 選擇性搜索 二值規(guī)范化梯度

【摘要】：對(duì)圖像中的目標(biāo)精確識(shí)別技術(shù)已應(yīng)用在工業(yè)生產(chǎn)的各個(gè)方面,特別在軍事,金融,高端裝備,交通安全等領(lǐng)域,其關(guān)鍵技術(shù)在于如何提高圖像識(shí)別的精準(zhǔn)度以及識(shí)別速度,這直接影響了該技術(shù)的實(shí)用性和安全性。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)分支,本質(zhì)是一種無(wú)監(jiān)督學(xué)習(xí)算法,深度學(xué)習(xí)在自然語(yǔ)言處理,自然圖像特征學(xué)習(xí)方面的效果遠(yuǎn)遠(yuǎn)超過(guò)了傳統(tǒng)機(jī)器學(xué)習(xí)相關(guān)技術(shù),傳統(tǒng)的圖像識(shí)別算法都是人工加入特定特征來(lái)識(shí)別目標(biāo)的,不僅識(shí)別率低,而且提取困難,由于神經(jīng)網(wǎng)絡(luò)在架構(gòu)上的特殊性,使得網(wǎng)絡(luò)在訓(xùn)練過(guò)程中能夠?qū)W習(xí)到樣本中的內(nèi)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(xùn)練出來(lái)的網(wǎng)絡(luò)具有極高的泛化能力。本文圍繞著深度學(xué)習(xí)在目標(biāo)識(shí)別方面的應(yīng)用,主要展開了以下研究工作:(1)闡述了神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu),其中卷積層與池化層交叉堆疊可以學(xué)習(xí)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(shí)減少數(shù)據(jù)處理量,論文還詳細(xì)闡述了反向傳播算法。(2)介紹了一種特殊的無(wú)監(jiān)督深度神經(jīng)網(wǎng)絡(luò)——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(guò)隱層學(xué)習(xí)一個(gè)數(shù)據(jù)的表示或?qū)υ紨?shù)據(jù)進(jìn)行有效編碼。(3)提出了一種選擇性搜索結(jié)合二值規(guī)范化梯度的目標(biāo)檢測(cè)策略,對(duì)比傳統(tǒng)的滑動(dòng)模型,實(shí)驗(yàn)證明本文提出的策略較其他算法能夠提高6%的檢測(cè)精度,達(dá)到相同檢測(cè)率和召回率時(shí)能減少約1500個(gè)預(yù)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(xué)位授予單位】：南昌航空大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉勇志,劉丙杰;基于多傳感器模糊神經(jīng)網(wǎng)絡(luò)的水下目標(biāo)識(shí)別[J];微計(jì)算機(jī)信息;2003年07期

2 韓艷春;李智蘭;曾憲文;;目標(biāo)識(shí)別與分類方法[J];軍事通信技術(shù);2003年01期

3 楊建勛,史朝輝;基于模糊綜合函數(shù)的目標(biāo)識(shí)別融合算法研究[J];火控雷達(dá)技術(shù);2004年04期

4 李彥鵬,施福忠,黎湘,莊釗文;基于模糊綜合評(píng)判的目標(biāo)識(shí)別效果評(píng)估[J];計(jì)算機(jī)應(yīng)用研究;2005年03期

5 左崢嶸,張?zhí)煨?集成證據(jù)提高目標(biāo)識(shí)別性能的方法研究[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年03期

6 李彥鵬,黎湘,莊釗文;一種應(yīng)用模糊聚類分析的目標(biāo)識(shí)別效果評(píng)估方法[J];電子對(duì)抗技術(shù);2005年03期

7 蓋明久;呂世良;時(shí)寶;;一種概率更新方法及在目標(biāo)識(shí)別中的應(yīng)用[J];海軍航空工程學(xué)院學(xué)報(bào);2006年05期

8 張平定;王海軍;王睿;;一種基于聚類思想的目標(biāo)識(shí)別新方法[J];空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年02期

9 賈宇平;付耀文;黎湘;莊釗文;;灰局勢(shì)決策方法在決策層融合目標(biāo)識(shí)別中的應(yīng)用[J];信號(hào)處理;2007年04期

10 李靜;黃崢;;靜態(tài)傅里葉干涉具在目標(biāo)識(shí)別中的應(yīng)用研究[J];光譜學(xué)與光譜分析;2009年08期

相關(guān)會(huì)議論文 前10條

1 王宇;鐘秋海;;用統(tǒng)計(jì)模式識(shí)別方法建立海上目標(biāo)識(shí)別的數(shù)學(xué)模型[A];1995中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1995年

2 鄭援;胡成軍;;基于數(shù)據(jù)融合的魚雷目標(biāo)識(shí)別[A];第十四屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

3 李夕海;趙克;慕曉冬;劉代志;;目標(biāo)識(shí)別中的特征相空間吸引子分析[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

4 馮杰;蓋強(qiáng);古軍峰;;模糊聚類分析方法在海上目標(biāo)識(shí)別中的應(yīng)用[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

5 趙克;劉代志;慕曉東;蘇娟;;目標(biāo)識(shí)別的特征量約束[A];第九屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-99）論文集[C];1999年

6 李正東;陳興無(wú);宋琛;何武良;;多傳感器的目標(biāo)識(shí)別[A];中國(guó)工程物理研究院科技年報(bào)（1999）[C];1999年

7 郭相科;劉進(jìn)忙;曹學(xué)斌;張玉鵬;;子類獨(dú)立分量分析在聲目標(biāo)識(shí)別中的應(yīng)用[A];中國(guó)聲學(xué)學(xué)會(huì)2007年青年學(xué)術(shù)會(huì)議論文集（上）[C];2007年

8 張翠;高廣春;趙勝穎;;基于時(shí)間融合算法的近程目標(biāo)識(shí)別[A];2011下一代自動(dòng)測(cè)試系統(tǒng)學(xué)術(shù)研討會(huì)論文集[C];2011年

9 俞鴻波;趙榮椿;;三維空間目標(biāo)識(shí)別概述[A];信號(hào)與信息處理技術(shù)——第一屆信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2002年

10 曹健;陳紅倩;毛典輝;李海生;蔡強(qiáng);;基于局部特征的圖像目標(biāo)識(shí)別問(wèn)題綜述[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

相關(guān)重要報(bào)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(bào);2012年

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

相關(guān)博士學(xué)位論文 前10條

1 肖永生;射頻隱身雷達(dá)信號(hào)設(shè)計(jì)與目標(biāo)識(shí)別研究[D];南京航空航天大學(xué);2014年

2 崔宗勇;合成孔徑雷達(dá)目標(biāo)識(shí)別理論與關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2015年

3 丁軍;基于稀疏理論的SAR圖像目標(biāo)識(shí)別研究[D];西安電子科技大學(xué);2015年

4 韓靜;基于仿生視覺(jué)模型和復(fù)雜信息學(xué)習(xí)的多光譜夜視目標(biāo)識(shí)別技術(shù)[D];南京理工大學(xué);2014年

5 黃璇;多源引導(dǎo)信息融合及其關(guān)鍵技術(shù)研究[D];中國(guó)科學(xué)院研究生院(長(zhǎng)春光學(xué)精密機(jī)械與物理研究所);2016年

6 寧宣杰;基于空防雷達(dá)網(wǎng)絡(luò)的多傳感器信息融合關(guān)鍵技術(shù)研究及其應(yīng)用[D];東北大學(xué);2014年

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

8 張學(xué)峰;雷達(dá)高分辨距離像目標(biāo)識(shí)別與拒判方法研究[D];西安電子科技大學(xué);2015年

9 李西平;塔機(jī)超聲安全預(yù)警目標(biāo)識(shí)別的神經(jīng)網(wǎng)絡(luò)方法研究[D];西安建筑科技大學(xué);2015年

10 舒銳;衛(wèi)星目標(biāo)識(shí)別與特征參數(shù)提取方法研究[D];哈爾濱工業(yè)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 許俊峰;基于模型的任意視點(diǎn)下三維目標(biāo)識(shí)別研究[D];南京航空航天大學(xué);2015年

2 李建;毫米波輻射計(jì)目標(biāo)識(shí)別性能測(cè)試系統(tǒng)研究[D];南京理工大學(xué);2015年

3 陳晨;紅外/毫米波復(fù)合信號(hào)處理方法及電路設(shè)計(jì)[D];南京理工大學(xué);2015年

4 王玉君;基于遠(yuǎn)紅外熱像儀的地面機(jī)動(dòng)目標(biāo)識(shí)別[D];沈陽(yáng)理工大學(xué);2015年

5 姚國(guó)偉;基于高分辨距離像的艦船目標(biāo)識(shí)別研究[D];哈爾濱工業(yè)大學(xué);2015年

6 周偉峰;基于神經(jīng)網(wǎng)絡(luò)的單目機(jī)器人目標(biāo)識(shí)別定位研究[D];安徽工程大學(xué);2015年

7 譚敏潔;基于壓縮感知的雷達(dá)一維距離像目標(biāo)識(shí)別[D];電子科技大學(xué);2015年

8 王翔;基于局部神經(jīng)反應(yīng)的目標(biāo)識(shí)別研究[D];華中師范大學(xué);2015年

9 劉巍;基于非均勻采樣圖像的目標(biāo)識(shí)別與跟蹤算法研究[D];北京理工大學(xué);2015年

10 田兵兵;基于核函數(shù)的SAR圖像目標(biāo)識(shí)別研究[D];電子科技大學(xué);2015年

，

本文編號(hào)：1414657