當(dāng)今社會(huì)利用深度學(xué)習(xí)對遙感圖像進(jìn)行目標(biāo)識(shí)別和大數(shù)據(jù)的分析已經(jīng)逐漸成為一種趨勢。傳統(tǒng)針對破壞邊緣信息的迷彩設(shè)計(jì)方式,是一種針對特定背景的通用網(wǎng)絡(luò)的設(shè)計(jì)算法,無法保證對指定檢測網(wǎng)絡(luò)的效果,也無法遷移到其他背景上。針對上述問題,本課題提出了一種基于生成對抗網(wǎng)絡(luò)的新的目標(biāo)偽裝設(shè)計(jì)方式,針對指定目標(biāo)檢測網(wǎng)絡(luò)生成偽裝迷彩圖,實(shí)現(xiàn)對目標(biāo)檢測網(wǎng)絡(luò)的定向欺騙。本課題以遙感圖像和檢測的網(wǎng)絡(luò)特點(diǎn)為研究背景,圍繞遙感圖像中目標(biāo)的偽裝圖設(shè)計(jì)方法展開研究,以深度學(xué)習(xí)中目標(biāo)檢測網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、風(fēng)格遷移網(wǎng)絡(luò)技術(shù)為核心,在現(xiàn)有的研究基礎(chǔ)上進(jìn)行改進(jìn)和創(chuàng)新,設(shè)計(jì)了遙感圖像的偽裝迷彩圖生成系統(tǒng)。本課題通過生成對抗的方式來完成偽裝迷彩圖像的生成流程。近年來,通過生成對抗方式來攻擊神經(jīng)網(wǎng)絡(luò)取得了不錯(cuò)的效果,本課題將其引入并取得了不錯(cuò)的效果。針對多背景下迷彩圖通用性的問題,采用基于風(fēng)格遷移網(wǎng)絡(luò)的方法,實(shí)現(xiàn)目標(biāo)與多背景融合,提升了偽裝迷彩圖的泛用性。針對遙感圖像目標(biāo)尺度變化大、紋理相對模糊的特點(diǎn),本課題設(shè)計(jì)了卷積層噪聲融合和多類別熱圖引導(dǎo)來提升檢測網(wǎng)絡(luò)的準(zhǔn)確率。通過提取特征層引入噪聲來提升檢測網(wǎng)絡(luò)魯棒性,提升網(wǎng)絡(luò)對弱紋理目標(biāo)的表... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

數(shù)碼迷彩示例

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文8以在神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程中發(fā)現(xiàn)，之前的神經(jīng)網(wǎng)絡(luò)由于過度的非線性，導(dǎo)致學(xué)習(xí)困難，網(wǎng)絡(luò)的層數(shù)也不能增加的過多。從ResNet開始，將神經(jīng)網(wǎng)絡(luò)的非線性降低，從而提高提高擬合的效果，這也同樣導(dǎo)致線性擾動(dòng)對于神經(jīng)網(wǎng)絡(luò)的擾動(dòng)影響不斷增強(qiáng)。這種基于梯度生成對抗樣本的算法是一種通過目標(biāo)損失最大化獲取對抗樣本的方式。普通的神經(jīng)網(wǎng)絡(luò)是尋求損失函數(shù)最小化的過程，訓(xùn)練的過程就是沿著梯度減小的方向去移動(dòng)，即梯度下降法，而FGSM就是朝著網(wǎng)絡(luò)損失最大的方向去進(jìn)行擬合，求得損失函數(shù)的最大值。圖2-1是一個(gè)GoogLeNet的一個(gè)生成對抗示例的演示。通過添加一個(gè)不可見的小數(shù)值的矩陣，合成后的圖像可以改變神經(jīng)網(wǎng)絡(luò)的圖像分類，從原來可以接近60%置信度的熊貓正確分類，變成了接近100%置信度的長頸鹿分類。這個(gè)干擾的噪聲矩陣通過乘以0.007的權(quán)重系數(shù)后疊加到原圖像上得到的新圖像從肉眼的角度沒有太多的改變，但卻極大的影響了神經(jīng)網(wǎng)絡(luò)的判斷。圖2-1GoogLeNet的快速對抗示例生成的演示在干擾分類網(wǎng)絡(luò)的基礎(chǔ)上，逐漸發(fā)展出來對于目標(biāo)檢測的對抗攻擊。這種方向的研究在針對自動(dòng)駕駛等領(lǐng)域的檢測網(wǎng)絡(luò)有著一些進(jìn)展[21]。由于自動(dòng)駕駛等應(yīng)用會(huì)檢測相對廣泛的目標(biāo)，因此網(wǎng)絡(luò)的漏洞會(huì)更大。這種對抗性擾動(dòng)添加到停車標(biāo)志和面部圖像中，這可能會(huì)削弱其檢測能力。在這里會(huì)采用兩種干擾的方式，一種是全圖添加噪聲干擾的方式，一種是部分區(qū)域添加干擾的情況，如圖2-2中所示，在原來停車牌的檢測中，在全圖添加噪聲的情況，可以發(fā)現(xiàn)大幅度擾動(dòng)目標(biāo)的分類和定位，其中出現(xiàn)了大量的假陽目標(biāo)，而在目標(biāo)區(qū)域添加小的擾動(dòng)，這個(gè)停止標(biāo)志被檢測為花瓶。由此可以發(fā)現(xiàn)，這種干擾的方式對于目標(biāo)檢測也十分的有效。

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文9圖2-2停車牌生成對抗示例由此我們針對我們的目標(biāo)需求，可以采用生成對抗的方式來對目標(biāo)進(jìn)行定向的偽裝，從而達(dá)到我們對神經(jīng)網(wǎng)絡(luò)定向欺騙的偽裝迷彩的需求。2.3系統(tǒng)構(gòu)建的目標(biāo)要求本課題針對的是用于檢測遙感圖像的神經(jīng)網(wǎng)絡(luò)的偽裝迷彩圖生成系統(tǒng)，采用生成對抗為思路的生成方案。針對性能需求，需要滿足以下幾點(diǎn)：（1）多背景通用性。針對指定DOTA數(shù)據(jù)集中的目標(biāo)和特定的檢測網(wǎng)絡(luò)，偽裝迷彩可以對數(shù)據(jù)集內(nèi)所有背景下指定目標(biāo)都有效果。生成的通用偽裝迷彩可以針對目標(biāo)數(shù)據(jù)集內(nèi)目標(biāo)都會(huì)有效，包括漏檢、位置錯(cuò)誤或者分類錯(cuò)位。（2）端到端的訓(xùn)練方式。在偽裝迷彩圖訓(xùn)練過程需要將生成到檢測再到反傳的過程能夠自動(dòng)連續(xù)的完成，減少訓(xùn)練的時(shí)間。（3）良好的偽裝效果。針對指定的目標(biāo)檢測網(wǎng)絡(luò)有著明顯的效果。以0.5交并比為檢出目標(biāo)的網(wǎng)絡(luò)，使其檢出率下降到原來檢測效果的一半以下。2.4系統(tǒng)整體方案本文將采用深度學(xué)習(xí)的生成對抗技術(shù)、目標(biāo)檢測技術(shù)、風(fēng)格遷移技術(shù)相結(jié)合，設(shè)計(jì)一個(gè)適用于遙感圖像偽裝迷彩圖生成系統(tǒng)。該系統(tǒng)會(huì)將目標(biāo)檢測網(wǎng)絡(luò)、生成網(wǎng)絡(luò)、背景融合中的傳統(tǒng)方式和風(fēng)格遷移網(wǎng)絡(luò)相結(jié)合。相較于傳統(tǒng)數(shù)碼迷彩設(shè)計(jì)，該系統(tǒng)的計(jì)算量較大，訓(xùn)練周期較長，但是該系統(tǒng)可以完成端到端的生成偽裝圖像到檢測網(wǎng)絡(luò)輸出，同時(shí)不依賴于特定背景，不需要過多的手動(dòng)調(diào)節(jié)，會(huì)在訓(xùn)練中自動(dòng)擴(kuò)充大量的樣本，提升系統(tǒng)生成效率。該系統(tǒng)根據(jù)功能主要分為四個(gè)部分：圖像預(yù)處理模塊、檢測模塊、生成模塊和背景融合模塊，多模塊協(xié)同作用完成最終生成。該系統(tǒng)的組成如下圖2-3所示：

【參考文獻(xiàn)】：
期刊論文
[1]一種基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測算法[J]. 趙寶康,李晉文,楊帆,劉佳豪.  計(jì)算機(jī)工程與科學(xué). 2019(12)
[2]迷彩偽裝中基于背景的輪廓生成技術(shù)[J]. 李春彥,王珍,羅毅,虞明根.  信息記錄材料. 2019(12)
[3]基于循環(huán)一致性對抗網(wǎng)絡(luò)的數(shù)碼迷彩偽裝生成方法[J]. 滕旭,張暉,楊春明,趙旭劍,李波.  計(jì)算機(jī)應(yīng)用. 2020(02)
[4]基于多尺度融合特征卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)檢測[J]. 姚群力,胡顯,雷宏.  測繪學(xué)報(bào). 2019(10)
[5]光學(xué)遙感圖像目標(biāo)檢測方法[J]. 王倫文,馮彥卿,張孟伯.  系統(tǒng)工程與電子技術(shù). 2019(10)

博士論文
[1]遷移學(xué)習(xí)在文本分類中的應(yīng)用研究[D]. 孟佳娜.大連理工大學(xué) 2011

碩士論文
[1]三維數(shù)碼迷彩的設(shè)計(jì)算法研究[D]. 李中華.西安工業(yè)大學(xué) 2019
[2]基于相似度的偽裝效果評價(jià)方法研究[D]. 代軍.西安工業(yè)大學(xué) 2018



本文編號(hào)：3322439