近年來,隨著戰(zhàn)場(chǎng)信息化程度不斷提高,各類傳感器采集的圖像情報(bào)數(shù)量不斷增加,圖像情報(bào)目標(biāo)檢測(cè)和場(chǎng)景識(shí)別已經(jīng)成為軍事領(lǐng)域的研究熱點(diǎn)。針對(duì)海量的圖像情報(bào)數(shù)據(jù),利用計(jì)算機(jī)提取圖像情報(bào)中的目標(biāo)場(chǎng)景要素,將其轉(zhuǎn)化為結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù),是戰(zhàn)場(chǎng)情報(bào)數(shù)據(jù)挖掘中的重要一步,對(duì)于輔助指揮員決策、掌握戰(zhàn)場(chǎng)主動(dòng)權(quán)具有十分重要的意義。根據(jù)上述實(shí)際需求,本文借鑒在圖像識(shí)別領(lǐng)域廣泛應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)框架,針對(duì)軍事圖像的具體特點(diǎn),研究了以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的軍事圖像目標(biāo)檢測(cè)和場(chǎng)景識(shí)別方法,具體的研究?jī)?nèi)容包括以下幾個(gè)方面:1.設(shè)計(jì)了基于Mask R-CNN的軍事圖像目標(biāo)檢測(cè)框架。本文通過對(duì)軍事圖像目標(biāo)檢測(cè)任務(wù)與普通自然圖像目標(biāo)檢測(cè)任務(wù)的分析與對(duì)比,將目前目標(biāo)檢測(cè)領(lǐng)域的主流框架Mask R-CNN應(yīng)用于軍事圖像目標(biāo)檢測(cè)任務(wù)中,并對(duì)Mask R-CNN框架的Anchor比例、目標(biāo)區(qū)域閾值、置信度閾值幾個(gè)方面做出改進(jìn)。2.設(shè)計(jì)了基于層凍結(jié)遷移學(xué)習(xí)的訓(xùn)練方法對(duì)Mask R-CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本文根據(jù)軍事圖像目標(biāo)檢測(cè)訓(xùn)練數(shù)據(jù)缺乏的現(xiàn)狀,結(jié)合遷移學(xué)習(xí)理論,設(shè)計(jì)了基于Mask R-CNN和遷移學(xué)習(xí)的軍事圖像目標(biāo)檢測(cè)框架,使用層凍結(jié)... 

【文章來源】：國(guó)防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

本文組織結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)(Arti?cial Neural Network,ANN)是近年來人工智能和機(jī)器視覺領(lǐng)域的研究熱點(diǎn)。它根據(jù)生物神經(jīng)網(wǎng)絡(luò)的基本原理,以網(wǎng)絡(luò)拓?fù)渲R(shí)為基礎(chǔ),從信息處理的角度對(duì)生物神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象,通過神經(jīng)元相連組成網(wǎng)絡(luò),形成一種數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)是一個(gè)由大量神經(jīng)元組成的非線性復(fù)雜網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元表示一種特定的輸出函數(shù),即位激活函數(shù)(Activation Function),神經(jīng)元與神經(jīng)元之間的連接表示連接信號(hào)的加權(quán)值,即位權(quán)重(Weight),代表相互連接的兩個(gè)神經(jīng)元之間相互作用的強(qiáng)弱。神經(jīng)網(wǎng)絡(luò)就是通過神經(jīng)元的輸入輸出傳遞信號(hào),從外部環(huán)境中獲取知識(shí),并通過內(nèi)部神經(jīng)元的連接強(qiáng)度存儲(chǔ)獲取的知識(shí),達(dá)到模擬人腦的目的。因此,網(wǎng)絡(luò)的結(jié)構(gòu)、連接方式、權(quán)重和激活函數(shù)決定網(wǎng)絡(luò)最終的輸出。神經(jīng)網(wǎng)絡(luò)中最基本的網(wǎng)絡(luò)結(jié)構(gòu)是感知機(jī),它只包含一個(gè)神經(jīng)元,只接收一個(gè)輸入,并通過感知機(jī)產(chǎn)生一個(gè)輸出,采用閾值函數(shù)作為激勵(lì)函數(shù)。在訓(xùn)練過程中通過不斷迭代至收斂得到最終的感知機(jī)模型。感知機(jī)示意圖如圖2.1所示:圖中感知機(jī)的輸入包括四個(gè)部分:x1,x2,x3和截距項(xiàng)b,w0,w1,w2,w3代表權(quán)重,輸入各分量分別與對(duì)應(yīng)的權(quán)重相乘并求和,所得結(jié)果通過一個(gè)非線性閾值函數(shù),得到最終輸出結(jié)果h,其輸出的計(jì)算公式如公式2.1所示:

其中xi表示輸入向量,Wi表示對(duì)應(yīng)的權(quán)重,b為截距項(xiàng),表示神經(jīng)元之間傳遞的信息。f表示激活函數(shù),常用的激活函數(shù)有sigmoid函數(shù)和tanh函數(shù),它們的計(jì)算公式分別如公式2.2,公式2.3所示,其函數(shù)圖像如圖2.2所示。近年來在圖像分類與識(shí)別領(lǐng)域中,使用最多的函數(shù)是修正線性單元(recti?ed linear unit,ReLU)函數(shù),其計(jì)算公式2.4所示,函數(shù)圖像如圖2.3所示。


本文編號(hào)：3567101