當今社會利用深度學習對遙感圖像進行目標識別和大數(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計方式,是一種針對特定背景的通用網(wǎng)絡的設計算法,無法保證對指定檢測網(wǎng)絡的效果,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)絡的新的目標偽裝設計方式,針對指定目標檢測網(wǎng)絡生成偽裝迷彩圖,實現(xiàn)對目標檢測網(wǎng)絡的定向欺騙。本課題以遙感圖像和檢測的網(wǎng)絡特點為研究背景,圍繞遙感圖像中目標的偽裝圖設計方法展開研究,以深度學習中目標檢測網(wǎng)絡、生成對抗網(wǎng)絡、風格遷移網(wǎng)絡技術為核心,在現(xiàn)有的研究基礎上進行改進和創(chuàng)新,設計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)絡取得了不錯的效果,本課題將其引入并取得了不錯的效果。針對多背景下迷彩圖通用性的問題,采用基于風格遷移網(wǎng)絡的方法,實現(xiàn)目標與多背景融合,提升了偽裝迷彩圖的泛用性。針對遙感圖像目標尺度變化大、紋理相對模糊的特點,本課題設計了卷積層噪聲融合和多類別熱圖引導來提升檢測網(wǎng)絡的準確率。通過提取特征層引入噪聲來提升檢測網(wǎng)絡魯棒性,提升網(wǎng)絡對弱紋理目標的表... 

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

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

數(shù)碼迷彩示例

哈爾濱工業(yè)大學工學碩士學位論文8以在神經(jīng)網(wǎng)絡的發(fā)展歷程中發(fā)現(xiàn)，之前的神經(jīng)網(wǎng)絡由于過度的非線性，導致學習困難，網(wǎng)絡的層數(shù)也不能增加的過多。從ResNet開始，將神經(jīng)網(wǎng)絡的非線性降低，從而提高提高擬合的效果，這也同樣導致線性擾動對于神經(jīng)網(wǎng)絡的擾動影響不斷增強。這種基于梯度生成對抗樣本的算法是一種通過目標損失最大化獲取對抗樣本的方式。普通的神經(jīng)網(wǎng)絡是尋求損失函數(shù)最小化的過程，訓練的過程就是沿著梯度減小的方向去移動，即梯度下降法，而FGSM就是朝著網(wǎng)絡損失最大的方向去進行擬合，求得損失函數(shù)的最大值。圖2-1是一個GoogLeNet的一個生成對抗示例的演示。通過添加一個不可見的小數(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。這個干擾的噪聲矩陣通過乘以0.007的權重系數(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)絡的基礎上，逐漸發(fā)展出來對于目標檢測的對抗攻擊。這種方向的研究在針對自動駕駛等領域的檢測網(wǎng)絡有著一些進展[21]。由于自動駕駛等應用會檢測相對廣泛的目標，因此網(wǎng)絡的漏洞會更大。這種對抗性擾動添加到停車標志和面部圖像中，這可能會削弱其檢測能力。在這里會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)大幅度擾動目標的分類和定位，其中出現(xiàn)了大量的假陽目標，而在目標區(qū)域添加小的擾動，這個停止標志被檢測為花瓶。由此可以發(fā)現(xiàn)，這種干擾的方式對于目標檢測也十分的有效。

哈爾濱工業(yè)大學工學碩士學位論文9圖2-2停車牌生成對抗示例由此我們針對我們的目標需求，可以采用生成對抗的方式來對目標進行定向的偽裝，從而達到我們對神經(jīng)網(wǎng)絡定向欺騙的偽裝迷彩的需求。2.3系統(tǒng)構建的目標要求本課題針對的是用于檢測遙感圖像的神經(jīng)網(wǎng)絡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：（1）多背景通用性。針對指定DOTA數(shù)據(jù)集中的目標和特定的檢測網(wǎng)絡，偽裝迷彩可以對數(shù)據(jù)集內(nèi)所有背景下指定目標都有效果。生成的通用偽裝迷彩可以針對目標數(shù)據(jù)集內(nèi)目標都會有效，包括漏檢、位置錯誤或者分類錯位。（2）端到端的訓練方式。在偽裝迷彩圖訓練過程需要將生成到檢測再到反傳的過程能夠自動連續(xù)的完成，減少訓練的時間。（3）良好的偽裝效果。針對指定的目標檢測網(wǎng)絡有著明顯的效果。以0.5交并比為檢出目標的網(wǎng)絡，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習的生成對抗技術、目標檢測技術、風格遷移技術相結(jié)合，設計一個適用于遙感圖像偽裝迷彩圖生成系統(tǒng)。該系統(tǒng)會將目標檢測網(wǎng)絡、生成網(wǎng)絡、背景融合中的傳統(tǒng)方式和風格遷移網(wǎng)絡相結(jié)合。相較于傳統(tǒng)數(shù)碼迷彩設計，該系統(tǒng)的計算量較大，訓練周期較長，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)絡輸出，同時不依賴于特定背景，不需要過多的手動調(diào)節(jié)，會在訓練中自動擴充大量的樣本，提升系統(tǒng)生成效率。該系統(tǒng)根據(jù)功能主要分為四個部分：圖像預處理模塊、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】：
期刊論文
[1]一種基于深度學習的遙感圖像目標檢測算法[J]. 趙寶康,李晉文,楊帆,劉佳豪.  計算機工程與科學. 2019(12)
[2]迷彩偽裝中基于背景的輪廓生成技術[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.  計算機應用. 2020(02)
[4]基于多尺度融合特征卷積神經(jīng)網(wǎng)絡的遙感圖像飛機目標檢測[J]. 姚群力,胡顯,雷宏.  測繪學報. 2019(10)
[5]光學遙感圖像目標檢測方法[J]. 王倫文,馮彥卿,張孟伯.  系統(tǒng)工程與電子技術. 2019(10)

博士論文
[1]遷移學習在文本分類中的應用研究[D]. 孟佳娜.大連理工大學 2011

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



本文編號：3322439