本文關(guān)鍵詞： 可見光遙感 飛機(jī) 分類 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò)　出處：《中國圖象圖形學(xué)報(bào)》2017年05期 　論文類型：期刊論文

【摘要】：目的遙感圖像飛機(jī)目標(biāo)分類,利用可見光遙感圖像對飛機(jī)類型進(jìn)行有效區(qū)分,對提供軍事作戰(zhàn)信息有重要意義。針對該問題,目前存在一些傳統(tǒng)機(jī)器學(xué)習(xí)方法,但這些方法需人工提取特征,且難以適應(yīng)真實(shí)遙感圖像的復(fù)雜背景。近年來,深度卷積神經(jīng)網(wǎng)絡(luò)方法興起,網(wǎng)絡(luò)能自動學(xué)習(xí)圖像特征且泛化能力強(qiáng),在計(jì)算機(jī)視覺各領(lǐng)域應(yīng)用廣泛。但深度卷積神經(jīng)網(wǎng)絡(luò)在遙感圖像飛機(jī)分類問題上應(yīng)用少見。本文旨在將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于遙感圖像飛機(jī)目標(biāo)分類問題。方法在缺乏公開數(shù)據(jù)集的情況下,收集了真實(shí)可見光遙感圖像中的8種飛機(jī)數(shù)據(jù),按大致4∶1的比例分為訓(xùn)練集和測試集,并對訓(xùn)練集進(jìn)行合理擴(kuò)充。然后針對遙感圖像與飛機(jī)分類的特殊性,結(jié)合深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論,有的放矢地設(shè)計(jì)了一個(gè)5層卷積神經(jīng)網(wǎng)絡(luò)。結(jié)果首先,在逐步擴(kuò)充的訓(xùn)練集上分別訓(xùn)練該卷積神經(jīng)網(wǎng)絡(luò),并分別用同一測試集進(jìn)行測試,實(shí)驗(yàn)表明訓(xùn)練集擴(kuò)充有利于網(wǎng)絡(luò)訓(xùn)練,測試準(zhǔn)確率從72.4%提升至97.2%。在擴(kuò)充后訓(xùn)練集上,分別對經(jīng)典傳統(tǒng)機(jī)器學(xué)習(xí)方法、經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)Le Net-5和本文設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,并在同一測試集上測試,實(shí)驗(yàn)表明該卷積神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率高于其他兩種方法,最終能在測試集上達(dá)到97.2%的準(zhǔn)確率,其余兩者準(zhǔn)確率分別為82.3%、88.7%。結(jié)論在少見使用深度卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)分類問題上,本文設(shè)計(jì)了一個(gè)5層卷積神經(jīng)網(wǎng)絡(luò)加以應(yīng)用。實(shí)驗(yàn)結(jié)果表明,該網(wǎng)絡(luò)能適應(yīng)圖像場景,自動學(xué)習(xí)特征,分類效果良好。
[Abstract]:The purpose of the remote sensing image plane target classification, using optical remote sensing image effectively distinguish the type of aircraft, is of great significance to provide military combat information. To solve this problem, there are some traditional machine learning methods, but these methods require manual feature extraction, and difficult to adapt to the complex background of real remote sensing images. In recent years, the rise of depth convolutional neural network method, the network can automatically learn image features and strong generalization ability, is widely used in the field of computer vision. But the depth of convolutional neural network used in classification of remote sensing image plane rare. This paper aims to the depth of the convolutional neural network applied to aircraft remote sensing image classification problems. In the absence of publicly available data sets of the next, a collection of 8 kinds of aircraft data in optical remote sensing images, according to the proportion of 4: 1 roughly divided into training set and test set, and training The training set reasonable expansion. Then according to the particularity of the remote sensing image classification and plane, combined with deep learning convolutional neural network theory, according to the design of a 5 layer convolution neural network. The results of the first training convolutional neural network respectively in the training set gradually extended, and tested using the same test set respectively. Experiments show that, the training set for training network expansion, test accuracy rate increased from 72.4% to 97.2%. in the expanded training set, respectively, to the traditional machine learning method, classical convolutional neural network Le Net-5 and the design of convolutional neural network plan for training, and in the same test set test, the experimental results show that the classification of the convolutional neural network accuracy rate is higher than the other two methods, the final in the test set accuracy rate reached 97.2%, the accuracy rate of the remaining two were 82.3%, 88.7%. conclusion in rare use Based on deep convolution neural network, a 5 level convolution neural network is applied to the classification of aircraft images. The experimental results show that the network can adapt to image scenes, automatically learn features and achieve good classification results.

【作者單位】： 北京航空航天大學(xué)宇航學(xué)院圖像中心;航天恒星科技有限公司;
【基金】：國家自然科學(xué)基金項(xiàng)目(61671037) 中國航天科技集團(tuán)公司科技創(chuàng)新研發(fā)項(xiàng)目~~
【分類號】：TP183;TP751
【正文快照】： 0引言在現(xiàn)代化戰(zhàn)爭中,飛機(jī)是非常重要的作戰(zhàn)工具之一。假如能利用遙感技術(shù)獲取軍事基地的可見光圖像,并對機(jī)場中的軍用飛機(jī)進(jìn)行分類,無疑將帶來極大的作戰(zhàn)優(yōu)勢。但對遙感圖像中的飛機(jī)目標(biāo)進(jìn)行分類存在背景復(fù)雜、飛機(jī)數(shù)據(jù)少、不同型號飛機(jī)外形相似等諸多難點(diǎn)。傳統(tǒng)的機(jī)器學(xué)習(xí)方

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 劉永俊;常晉義;陳才扣;楊靜宇;;基于位平面圖像與2DMSLDA的單樣本人臉識別[J];計(jì)算機(jī)工程與應(yīng)用;2010年15期

【共引文獻(xiàn)】

相關(guān)期刊論文 前4條

1 周敏;史振威;丁火平;;遙感圖像飛機(jī)目標(biāo)分類的卷積神經(jīng)網(wǎng)絡(luò)方法[J];中國圖象圖形學(xué)報(bào);2017年05期

2 張洋洋;張會林;陳茉莉;;基于二代身份證照的多姿態(tài)人臉圖像生成[J];電子科技;2015年06期

3 楊軍;劉妍麗;;基于圖像的單樣本人臉識別研究進(jìn)展[J];西華大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年04期

4 趙雅英;譚延琪;馬小虎;;基于樣本擴(kuò)充和改進(jìn)2DPCA的單樣本人臉識別[J];計(jì)算機(jī)應(yīng)用;2011年10期

【二級參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 陳才扣;劉永俊;楊靜宇;;二維最大散度差圖像投影鑒別分析[J];系統(tǒng)仿真學(xué)報(bào);2007年04期

2 劉永俊;陳才扣;;最大散度差鑒別分析及人臉識別[J];計(jì)算機(jī)工程與應(yīng)用;2006年34期

3 張生亮;陳伏兵;楊靜宇;;對單訓(xùn)練樣本的人臉識別問題的研究[J];計(jì)算機(jī)科學(xué);2006年02期

4 宋楓溪,程科,楊靜宇,劉樹海;最大散度差和大間距線性投影與支持向量機(jī)[J];自動化學(xué)報(bào);2004年06期

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃洪鐘,李海濱;有限元的神經(jīng)網(wǎng)絡(luò)計(jì)算方法研究[J];機(jī)械強(qiáng)度;2003年03期

2 彭磊;田麗;;基于神經(jīng)網(wǎng)絡(luò)消除噪聲技術(shù)的研究[J];黑龍江科技信息;2009年16期

3 林建輝,陳建政,陳琳;基于神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)子動力系統(tǒng)穩(wěn)定性辨識[J];機(jī)械科學(xué)與技術(shù);1999年02期

4 熊日華,王世昌;神經(jīng)網(wǎng)絡(luò)在膜技術(shù)中的應(yīng)用[J];膜科學(xué)與技術(shù);2003年06期

5 高強(qiáng);錢林方;侯遠(yuǎn)龍;王力;;泵控缸電液位置伺服系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制[J];機(jī)床與液壓;2008年06期

6 緱新科;崔明月;;神經(jīng)網(wǎng)絡(luò)-遺傳算法在振動控制系統(tǒng)中的應(yīng)用[J];機(jī)械設(shè)計(jì)與制造;2009年08期

7 于祥;趙冬至;張豐收;肖忠峰;;基于神經(jīng)網(wǎng)絡(luò)的紅樹林景觀特性遙感提取技術(shù)研究[J];海洋環(huán)境科學(xué);2007年06期

8 國蓉;何鎮(zhèn)安;;基于多級神經(jīng)網(wǎng)絡(luò)的被動聲定位算法研究[J];計(jì)算機(jī)應(yīng)用研究;2011年06期

9 石小云;;基于SOM神經(jīng)網(wǎng)絡(luò)的靜止衛(wèi)星云圖分類[J];電子設(shè)計(jì)工程;2011年16期

10 丁國良,張春路,李灝;神經(jīng)網(wǎng)絡(luò)在空調(diào)器仿真中的應(yīng)用研究[J];制冷學(xué)報(bào);1999年02期

相關(guān)會議論文 前10條

1 徐慧;徐海樵;張必銀;;基于LVQ神經(jīng)網(wǎng)絡(luò)的水聲目標(biāo)識別技術(shù)[A];中國造船工程學(xué)會電子技術(shù)學(xué)術(shù)委員會——2012年水下復(fù)雜戰(zhàn)場環(huán)境目標(biāo)識別與對抗及仿真技術(shù)學(xué)術(shù)交流論文集[C];2012年

2 張彼德;;汽輪發(fā)電機(jī)組振動多故障診斷的神經(jīng)網(wǎng)絡(luò)方法研究[A];第八屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文集摘要[C];2003年

3 金鳳;;基于神經(jīng)網(wǎng)絡(luò)與理想解的多屬性決策[A];第四屆全國船舶與海洋工程學(xué)術(shù)會議論文集[C];2009年

4 吳寶志;袁曉梅;;基于神經(jīng)網(wǎng)絡(luò)的汽車空調(diào)系統(tǒng)變工況運(yùn)行的仿真研究[A];第九屆全國冷水機(jī)組與熱泵技術(shù)學(xué)術(shù)會議論文集[C];1999年

5 黎啟柏;桂佩佩;韓君;;二次調(diào)節(jié)控制系統(tǒng)的模糊-神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)自適應(yīng)控制[A];液壓與氣動學(xué)術(shù)研討會論文集[C];2004年

6 于洪潔;彭建華;;具有非線性耦合函數(shù)的HR神經(jīng)網(wǎng)絡(luò)的混沌同步[A];中國力學(xué)學(xué)會學(xué)術(shù)大會'2005論文摘要集（下）[C];2005年

7 黎啟柏;桂佩佩;韓君;;二次調(diào)節(jié)控制系統(tǒng)的模糊-神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)自適應(yīng)控制[A];第三屆全國流體傳動及控制工程學(xué)術(shù)會議論文集（第三卷）[C];2004年

8 王祥厚;李程遠(yuǎn);;臺階爆破巖石塊度預(yù)測的神經(jīng)網(wǎng)絡(luò)[A];第七屆全國工程爆破學(xué)術(shù)會議論文集[C];2001年

9 潘濱;陳劍平;李曉茹;;改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在巖質(zhì)邊坡穩(wěn)定性分析中的應(yīng)用[A];第八屆全國工程地質(zhì)大會論文集[C];2008年

10 鐘小麗;謝菠蓀;;使用神經(jīng)網(wǎng)絡(luò)進(jìn)行中垂面頭相關(guān)傳輸函數(shù)外插[A];中國聲學(xué)學(xué)會2005年青年學(xué)術(shù)會議[CYCA'05]論文集[C];2005年

相關(guān)博士學(xué)位論文 前2條

1 李廣博;Fourier正交基神經(jīng)網(wǎng)絡(luò)加權(quán)響應(yīng)面法的結(jié)構(gòu)可靠性分析[D];吉林大學(xué);2014年

2 李英偉;基于增量改進(jìn)BP神經(jīng)網(wǎng)絡(luò)微波深度干燥模型及應(yīng)用研究[D];昆明理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 吳航;基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像配準(zhǔn)方法[D];南昌大學(xué);2015年

2 黃偉明;基于神經(jīng)網(wǎng)絡(luò)的LED可靠性分析模型研究[D];華南理工大學(xué);2016年

3 宋欣益;基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)分類方法研究[D];哈爾濱工業(yè)大學(xué);2016年

4 王艦鋒;基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算[D];南京信息工程大學(xué);2016年

5 邢凱;基于神經(jīng)網(wǎng)絡(luò)和Contourlet的遙感圖像分類處理[D];黑龍江大學(xué);2016年

6 王杰;基于遺傳算法神經(jīng)網(wǎng)絡(luò)的某制冷空調(diào)系統(tǒng)性能預(yù)測研究[D];華中科技大學(xué);2015年

7 孟春林;神經(jīng)網(wǎng)絡(luò)PID在熱交換器中的應(yīng)用[D];太原科技大學(xué);2009年

8 董航飛;基于神經(jīng)網(wǎng)絡(luò)的中央空調(diào)溫度控制研究[D];揚(yáng)州大學(xué);2009年

9 石小云;基于神經(jīng)網(wǎng)絡(luò)方法的衛(wèi)星圖像云分類[D];中國海洋大學(xué);2012年

10 馬玉秀;神經(jīng)網(wǎng)絡(luò)在激光遙感鑒別海面溢油中的應(yīng)用[D];大連海事大學(xué);2006年

，

本文編號：1453950