本文關鍵詞： 可見光遙感 飛機 分類 深度學習 卷積神經網絡　出處：《中國圖象圖形學報》2017年05期 　論文類型：期刊論文

【摘要】：目的遙感圖像飛機目標分類,利用可見光遙感圖像對飛機類型進行有效區(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)機器學習方法,但這些方法需人工提取特征,且難以適應真實遙感圖像的復雜背景。近年來,深度卷積神經網絡方法興起,網絡能自動學習圖像特征且泛化能力強,在計算機視覺各領域應用廣泛。但深度卷積神經網絡在遙感圖像飛機分類問題上應用少見。本文旨在將深度卷積神經網絡應用于遙感圖像飛機目標分類問題。方法在缺乏公開數據集的情況下,收集了真實可見光遙感圖像中的8種飛機數據,按大致4∶1的比例分為訓練集和測試集,并對訓練集進行合理擴充。然后針對遙感圖像與飛機分類的特殊性,結合深度學習卷積神經網絡相關理論,有的放矢地設計了一個5層卷積神經網絡。結果首先,在逐步擴充的訓練集上分別訓練該卷積神經網絡,并分別用同一測試集進行測試,實驗表明訓練集擴充有利于網絡訓練,測試準確率從72.4%提升至97.2%。在擴充后訓練集上,分別對經典傳統(tǒng)機器學習方法、經典卷積神經網絡Le Net-5和本文設計的卷積神經網絡進行訓練,并在同一測試集上測試,實驗表明該卷積神經網絡的分類準確率高于其他兩種方法,最終能在測試集上達到97.2%的準確率,其余兩者準確率分別為82.3%、88.7%。結論在少見使用深度卷積神經網絡的遙感圖像飛機目標分類問題上,本文設計了一個5層卷積神經網絡加以應用。實驗結果表明,該網絡能適應圖像場景,自動學習特征,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】： 北京航空航天大學宇航學院圖像中心;航天恒星科技有限公司;
【基金】：國家自然科學基金項目(61671037) 中國航天科技集團公司科技創(chuàng)新研發(fā)項目~~
【分類號】：TP183;TP751
【正文快照】： 0引言在現代化戰(zhàn)爭中,飛機是非常重要的作戰(zhàn)工具之一。假如能利用遙感技術獲取軍事基地的可見光圖像,并對機場中的軍用飛機進行分類,無疑將帶來極大的作戰(zhàn)優(yōu)勢。但對遙感圖像中的飛機目標進行分類存在背景復雜、飛機數據少、不同型號飛機外形相似等諸多難點。傳統(tǒng)的機器學習方

【參考文獻】

相關期刊論文 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];計算機工程與應用;2010年15期

【共引文獻】

相關期刊論文 前4條

1 周敏;史振威;丁火平;;遙感圖像飛機目標分類的卷積神經網絡方法[J];中國圖象圖形學報;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展[J];西華大學學報(自然科學版);2014年04期

4 趙雅英;譚延琪;馬小虎;;基于樣本擴充和改進2DPCA的單樣本人臉識別[J];計算機應用;2011年10期

【二級參考文獻】

相關期刊論文 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)仿真學報;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];計算機工程與應用;2006年34期

3 張生亮;陳伏兵;楊靜宇;;對單訓練樣本的人臉識別問題的研究[J];計算機科學;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[J];自動化學報;2004年06期

【相似文獻】

相關期刊論文 前10條

1 黃洪鐘,李海濱;有限元的神經網絡計算方法研究[J];機械強度;2003年03期

2 彭磊;田麗;;基于神經網絡消除噪聲技術的研究[J];黑龍江科技信息;2009年16期

3 林建輝,陳建政,陳琳;基于神經網絡的轉子動力系統(tǒng)穩(wěn)定性辨識[J];機械科學與技術;1999年02期

4 熊日華,王世昌;神經網絡在膜技術中的應用[J];膜科學與技術;2003年06期

5 高強;錢林方;侯遠龍;王力;;泵控缸電液位置伺服系統(tǒng)的神經網絡模型參考自適應控制[J];機床與液壓;2008年06期

6 緱新科;崔明月;;神經網絡-遺傳算法在振動控制系統(tǒng)中的應用[J];機械設計與制造;2009年08期

7 于祥;趙冬至;張豐收;肖忠峰;;基于神經網絡的紅樹林景觀特性遙感提取技術研究[J];海洋環(huán)境科學;2007年06期

8 國蓉;何鎮(zhèn)安;;基于多級神經網絡的被動聲定位算法研究[J];計算機應用研究;2011年06期

9 石小云;;基于SOM神經網絡的靜止衛(wèi)星云圖分類[J];電子設計工程;2011年16期

10 丁國良,張春路,李灝;神經網絡在空調器仿真中的應用研究[J];制冷學報;1999年02期

相關會議論文 前10條

1 徐慧;徐海樵;張必銀;;基于LVQ神經網絡的水聲目標識別技術[A];中國造船工程學會電子技術學術委員會——2012年水下復雜戰(zhàn)場環(huán)境目標識別與對抗及仿真技術學術交流論文集[C];2012年

2 張彼德;;汽輪發(fā)電機組振動多故障診斷的神經網絡方法研究[A];第八屆全國振動理論及應用學術會議論文集摘要[C];2003年

3 金鳳;;基于神經網絡與理想解的多屬性決策[A];第四屆全國船舶與海洋工程學術會議論文集[C];2009年

4 吳寶志;袁曉梅;;基于神經網絡的汽車空調系統(tǒng)變工況運行的仿真研究[A];第九屆全國冷水機組與熱泵技術學術會議論文集[C];1999年

5 黎啟柏;桂佩佩;韓君;;二次調節(jié)控制系統(tǒng)的模糊-神經網絡自學習自適應控制[A];液壓與氣動學術研討會論文集[C];2004年

6 于洪潔;彭建華;;具有非線性耦合函數的HR神經網絡的混沌同步[A];中國力學學會學術大會'2005論文摘要集（下）[C];2005年

7 黎啟柏;桂佩佩;韓君;;二次調節(jié)控制系統(tǒng)的模糊-神經網絡自學習自適應控制[A];第三屆全國流體傳動及控制工程學術會議論文集（第三卷）[C];2004年

8 王祥厚;李程遠;;臺階爆破巖石塊度預測的神經網絡[A];第七屆全國工程爆破學術會議論文集[C];2001年

9 潘濱;陳劍平;李曉茹;;改進BP神經網絡在巖質邊坡穩(wěn)定性分析中的應用[A];第八屆全國工程地質大會論文集[C];2008年

10 鐘小麗;謝菠蓀;;使用神經網絡進行中垂面頭相關傳輸函數外插[A];中國聲學學會2005年青年學術會議[CYCA'05]論文集[C];2005年

相關博士學位論文 前2條

1 李廣博;Fourier正交基神經網絡加權響應面法的結構可靠性分析[D];吉林大學;2014年

2 李英偉;基于增量改進BP神經網絡微波深度干燥模型及應用研究[D];昆明理工大學;2011年

相關碩士學位論文 前10條

1 吳航;基于卷積神經網絡的遙感圖像配準方法[D];南昌大學;2015年

2 黃偉明;基于神經網絡的LED可靠性分析模型研究[D];華南理工大學;2016年

3 宋欣益;基于卷積神經網絡的高光譜數據分類方法研究[D];哈爾濱工業(yè)大學;2016年

4 王艦鋒;基于卷積神經網絡的衛(wèi)星云量計算[D];南京信息工程大學;2016年

5 邢凱;基于神經網絡和Contourlet的遙感圖像分類處理[D];黑龍江大學;2016年

6 王杰;基于遺傳算法神經網絡的某制冷空調系統(tǒng)性能預測研究[D];華中科技大學;2015年

7 孟春林;神經網絡PID在熱交換器中的應用[D];太原科技大學;2009年

8 董航飛;基于神經網絡的中央空調溫度控制研究[D];揚州大學;2009年

9 石小云;基于神經網絡方法的衛(wèi)星圖像云分類[D];中國海洋大學;2012年

10 馬玉秀;神經網絡在激光遙感鑒別海面溢油中的應用[D];大連海事大學;2006年

，

本文編號：1453950