【摘要】：目標識別一直是計算機視覺領域內的一個研究熱點,目標識別在戰(zhàn)場上應用十分廣泛,但由于戰(zhàn)場環(huán)境比較復雜,在進行目標識別過程存在特征選擇信息不準,單一分類器識別率較低等問題。本文針對上述問題提出端到端的深層卷積神經網絡方法對目標進行識別。首先,針對深層卷積神經網絡權值分布穩(wěn)定性,數據依賴問題和源域與目標域差距問題提出了半監(jiān)督增強遷移學習。深層卷積神經網絡前期不容易收斂,并且權值分布容易受到數據分布影響,引入半監(jiān)督遷移學習可以一定程度上解決此類問題。針對半監(jiān)督遷移學習會產生過擬合問題提出了增強遷移學習,通過融合多個分類器參數減緩過擬合現象。在Cifar-10數據集上實驗表明,加入半監(jiān)督增強遷移學習的網絡訓練時會更穩(wěn)定,并且收斂更快一些。然后,針對注意力機制全連接參數量較大的問題和分組帶來的分布截斷問題提出了復用特征選擇機制。選擇出較好的特征可以很大程度上提高模型的準確率,通過注意力機制可以在深層神經網絡中增強顯著特征。本文提出卷積特征選擇,利用卷積計算替換注意力機制權值映射階段中的全連接操作,可以在減少參數量的情況下更好的表達特征圖。針對特征圖分組選擇的分布截斷問題,本文提出復用切片分組以及組合并行被選擇特征來進行特征選擇,減少了特征圖分布截斷帶來的信息損失和過度選擇問題進而增加識別率。在STL-10數據集上實驗表明,本文提出的復用特征選擇網絡(CoFS-Net)好過其它目標識別網絡。最后,結合第三章和第四章提出的方法提出了機器學習的目標識別方法在戰(zhàn)場中實際應用方案,使用第四章提出的復用特征選擇網絡作為特征提取器,第三章提出的半監(jiān)督增強遷移學習來初始化參數。本文將目標識別識別任務分為兩個步驟,首先通過二分類器判斷目標是否存在,然后利用多分類器進行目標分類。在采集的戰(zhàn)場目標數據集上進行實驗,通過實驗表明本文提出的方法要好過其他方法。
【圖文】：

圖 3.1 遷移學習的過程Fig.3.1 Processing of transfer learning程其實很好理解。首先，明確域和任務的概念域包含兩部分，一個是特征空間ψ ，另一個是邊緣。一個任務可以表示為 τ ={ y,f(x)}，任務也包一個預測值 f (x)， f (x)也可以看成一個條件概被表示為：假設有一個基于域tD 的任務tτ ，并援助。遷移學習的目的就是通過遷移基于域sD 的預測函數 ()τf 的性能，并且stD ≠ D，tsτ ≠ τ，：個預訓練的源模型是從可用模型中挑選出來的。數據集的模型，這些都可以作為源模型的備選者

- 25 -于半監(jiān)督學習的改進的深度遷移eep transfer learning process based督的深度遷移學習方法有兩數據增強處理，圖像數據增空間幾何變換對圖像進行旋息的情況下更多尺度的訓練，神經網絡本身對高斯噪聲可以采用加入噪聲和調節(jié)對幾何變換，，像素點變換如圖
【學位授予單位】：沈陽理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP18

【相似文獻】

相關期刊論文 前10條

1 王偉男;楊朝紅;;基于圖像處理技術的目標識別方法綜述[J];電腦與信息技術;2019年06期

2 王偉男;周亮;;基于圖像處理技術的軍事目標識別方法綜述[J];電腦與信息技術;2020年01期

3 李琦;孫桂玲;黃翠;劉頡;常哲;于金花;文洪濤;;基于水聲環(huán)境空間中多模態(tài)深度融合模型的目標識別方法研究[J];海洋技術學報;2019年06期

4 李華群;;夜間塔影圖像目標識別方法的仿真研究[J];計算機仿真;2016年12期

5 尚怡君;金保華;張云龍;;基于相關分析的飛機目標識別方法[J];電子設計工程;2013年16期

6 許陽;王曉璇;;一種工程化的雙門限輻射源目標識別方法[J];計算機測量與控制;2009年05期

7 左震,張?zhí)煨?汪國有;遠距紅外圖像中橋梁目標識別方法研究[J];電子學報;1998年11期

8 徐勝榮，李忠興;自然景物中橋梁目標識別方法的研究[J];浙江大學學報(自然科學版);1995年03期

9 李偉生;陳曦;;一種結合顯著性檢測與詞袋模型的目標識別方法[J];計算機工程與科學;2017年09期

10 宋曦;周蔭清;;一種基于模板匹配的目標識別方法[J];遙測遙控;2010年02期

相關會議論文 前10條

1 肖懷鐵;郭雷;付強;;一種新的模糊支持矢量機多目標識別方法[A];第十二屆全國信號處理學術年會（CCSP-2005）論文集[C];2005年

2 張艷寧;趙榮椿;梁怡;;一種有效的圖像目標識別方法[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（下冊）[C];2002年

3 任文君;蘇開娜;;一種復雜背景下基于知識的目標識別方法的研究[A];中國圖象圖形科學技術新進展——第九屆全國圖象圖形科技大會論文集[C];1998年

4 王清;姜志國;趙丹培;安萌;;一種基于特征區(qū)域的空間有形目標識別方法[A];第八屆全國信號與信息處理聯合學術會議論文集[C];2009年

5 王延求;黎陽;;一種基于方位估計的潛艇目標識別方法[A];2014年水聲對抗技術學術交流會論文集[C];2014年

6 張純;許楓;;基于運動特征的水下蛙人目標識別方法[A];中國聲學學會水聲學分會2011年全國水聲學學術會議論文集[C];2011年

7 劉興潭;武延鵬;;天基空間目標識別方法綜述[A];第二屆中國空天安全會議論文集[C];2017年

8 張榮;王勇;;TM圖像中道路目標識別方法的研究[A];第十四屆全國遙感技術學術交流會論文摘要集[C];2003年

9 陶志國;姜一暉;柳鵬;;基于BP神經網絡的飛機目標識別方法研究[A];'2006系統仿真技術及其應用學術交流會論文集[C];2006年

10 張冬英;洪津;王峰;駱冬根;邱成峰;;基于灰度直方圖的暗目標識別方法[A];光子科技創(chuàng)新與產業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

相關博士學位論文 前10條

1 楊勇虎;基于雷達信息的海上溢油與小目標識別方法[D];大連海事大學;2018年

2 白豐;基于局部二進制特征描述的衛(wèi)星裝配目標識別方法研究[D];河北工業(yè)大學;2017年

3 裴季方;多視角SAR目標識別方法研究[D];電子科技大學;2018年

4 湯曉;基于復雜網絡的圖像目標識別方法研究[D];廣東工業(yè)大學;2013年

5 王鵬輝;基于統計建模的雷達高分辨距離像目標識別方法研究[D];西安電子科技大學;2012年

6 殷飛;基于稀疏學習的圖像維數約簡和目標識別方法研究[D];西安電子科技大學;2014年

7 酈蘇丹;SAR圖像特征提取與目標識別方法研究[D];國防科學技術大學;2001年

8 趙炳愛;基于小波分析的高分辨率雷達目標識別方法研究[D];哈爾濱工程大學;2003年

9 聶海濤;基于圖像局部特征的康復機器人目標識別方法研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2015年

10 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

相關碩士學位論文 前10條

1 馬星;基于特征層融合的三維目標識別方法研究[D];西安工業(yè)大學;2019年

2 雷蕾;線掃激光雷達目標識別方法研究[D];西安工業(yè)大學;2019年

3 閆華清;基于深度網絡的SAR圖像目標識別方法研究[D];上海交通大學;2017年

4 常鑲石;基于機器學習的目標識別方法研究[D];沈陽理工大學;2019年

5 司進修;基于深度學習的雷達一維距離像目標識別方法研究與實現[D];電子科技大學;2019年

6 申威;基于機器學習的SAR目標識別方法研究[D];電子科技大學;2019年

7 全磊;復雜環(huán)境下目標識別方法的研究[D];西北師范大學;2018年

8 王汝s

本文編號：2606415