發(fā)布時(shí)間：2021-11-29 07:36

　　科學(xué)技術(shù)的發(fā)展也深刻改變著戰(zhàn)場(chǎng)環(huán)境,一系列用于偵察的先進(jìn)設(shè)備——高精度衛(wèi)星、無(wú)人機(jī)等的普及運(yùn)用使得人們可以輕易地獲取大量的目標(biāo)圖像。如何高效利用這些圖像來(lái)迅速區(qū)分、定位敵我目標(biāo)已成為當(dāng)前軍事科學(xué)研究領(lǐng)域的前沿研究方向。卷積神經(jīng)網(wǎng)絡(luò)作為目前深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)領(lǐng)域最有效的手段之一,可以將原始數(shù)據(jù)直接作為輸入,簡(jiǎn)化了解決問(wèn)題的流程,同時(shí)也為數(shù)據(jù)保留了更多有用信息,在物體分類(lèi)、目標(biāo)檢測(cè)、圖像分割等問(wèn)題中都有非常廣泛的應(yīng)用。隨著網(wǎng)絡(luò)深度的加深,卷積神經(jīng)網(wǎng)絡(luò)面臨著梯度消失的問(wèn)題。殘差網(wǎng)絡(luò)將殘差學(xué)習(xí)機(jī)制引入卷積神經(jīng)網(wǎng)絡(luò),有效地解決了梯度消失問(wèn)題,使網(wǎng)絡(luò)深度變得更深。在此背景下,本學(xué)位論文研究了基于卷積神經(jīng)網(wǎng)絡(luò)的陸戰(zhàn)場(chǎng)目標(biāo)分類(lèi)算法,設(shè)計(jì)了一種卷積網(wǎng)絡(luò)模型分類(lèi)履帶式坦克和輪式坦克,設(shè)計(jì)了一種基于Gabor卷積的聚合殘差網(wǎng)絡(luò)分類(lèi)幾種常見(jiàn)陸戰(zhàn)場(chǎng)目標(biāo)。論文主要工作與貢獻(xiàn)總結(jié)如下:第一,基于改進(jìn)的AlexNet網(wǎng)絡(luò)設(shè)計(jì)了一種適用于履帶式坦克和輪式坦克圖像的分類(lèi)算法。該算法模型使用3×3大小的卷積核提取特征。池化層采用非重疊池化策略,池化核大小為2×2,池化步長(zhǎng)為2,在縮小特征圖減少網(wǎng)絡(luò)計(jì)算量的同時(shí)也可以降低像... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積操作示例

第二章相關(guān)理論及技術(shù)15原始的映射H(x)表示為H(x)=F(x)+x，其中F(x)代表殘差映射，x為輸入數(shù)據(jù)。殘差網(wǎng)絡(luò)通過(guò)殘差模塊將網(wǎng)絡(luò)對(duì)原始映射H(x)的學(xué)習(xí)轉(zhuǎn)化為對(duì)殘差映射F(x)的學(xué)習(xí)，也就是將網(wǎng)絡(luò)求解的過(guò)程轉(zhuǎn)換為學(xué)習(xí)殘差函數(shù)F(x)=H(x)x的過(guò)程。當(dāng)F(x)=0時(shí)，可以得到H(x)=x，也就是恒等映射。神經(jīng)網(wǎng)絡(luò)更容易擬合近似為0的值，因而對(duì)F(x)的學(xué)習(xí)較H(x)更為簡(jiǎn)單。H(x)、F(x)和x的函數(shù)關(guān)系如圖2-5所示，藍(lán)色實(shí)線代表網(wǎng)絡(luò)要學(xué)習(xí)的原始映射H(x)，綠色虛線代表快捷連接支路（即輸入數(shù)據(jù)x），紅色線條代表殘差映射F(x)。從圖中可知，相比于藍(lán)色線條，紅色線條的取值更接近于0，F(xiàn)(x)函數(shù)較H(x)函數(shù)簡(jiǎn)單，所以采用卷積網(wǎng)絡(luò)學(xué)習(xí)F(x)比學(xué)習(xí)H(x)更容易。圖2-5H(x)，F(xiàn)(x)和x函數(shù)曲線示意圖圖2-4是一個(gè)具有兩層卷積層的殘差塊。定義第一個(gè)卷積層中的權(quán)值為、偏置為，公式(2-3)即為經(jīng)過(guò)第一個(gè)卷積層的輸出。lllyW=x+b公式(2-3)不考慮批規(guī)范化，經(jīng)過(guò)ReLU函數(shù)的輸出見(jiàn)公式(2-4)。δ()ll=gy公式(2-4)定義第二個(gè)卷積層中的權(quán)重為Wl1+、偏置為bl1+，則經(jīng)過(guò)第二個(gè)卷積層的輸出如公式(2-5)所示。

Gabor函數(shù)生成示意圖

【參考文獻(xiàn)】：
期刊論文
[1]基于YOLO2和ResNet算法的監(jiān)控視頻中的人臉檢測(cè)與識(shí)別[J]. 朱超平,楊藝.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2018(08)
[2]基于改進(jìn)殘差網(wǎng)絡(luò)的人臉識(shí)別算法[J]. 曹川,張紅英.  傳感器與微系統(tǒng). 2018(08)
[3]基于頻譜動(dòng)態(tài)特征和CS-SVM的裝甲車(chē)輛識(shí)別[J]. 石文雷,樊新海,張傳清.  計(jì)算機(jī)應(yīng)用. 2018(S1)
[4]基于MFCC和支持向量機(jī)的裝甲車(chē)輛識(shí)別研究[J]. 孫國(guó)強(qiáng),樊新海,石文雷.  國(guó)外電子測(cè)量技術(shù). 2017(10)
[5]一種基于分層多尺度卷積特征提取的坦克裝甲目標(biāo)圖像檢測(cè)方法[J]. 孫皓澤,常天慶,王全東,孔德鵬,戴文君.  兵工學(xué)報(bào). 2017(09)
[6]基于稀疏自編碼神經(jīng)網(wǎng)絡(luò)的軍事目標(biāo)圖像分類(lèi)[J]. 沈先耿.  指揮與控制學(xué)報(bào). 2017(03)
[7]基于CNN的SAR圖像目標(biāo)分類(lèi)優(yōu)化算法[J]. 劉晨,曲長(zhǎng)文,周強(qiáng),李智.  雷達(dá)科學(xué)與技術(shù). 2017(04)
[8]基于改進(jìn)EEMD及能量特征的戰(zhàn)場(chǎng)目標(biāo)識(shí)別方法[J]. 邸憶,顧曉輝,車(chē)龍,劉亞雷.  電子測(cè)量與儀器學(xué)報(bào). 2017(06)
[9]一種戰(zhàn)場(chǎng)聲目標(biāo)識(shí)別的多特征提取算法[J]. 陳德宏,徐舒,沈浩.  安徽工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[10]基于改進(jìn)的胡氏不變矩的坦克識(shí)別方法[J]. 胡福東,白宏陽(yáng),李成美,孫瑞勝.  兵器裝備工程學(xué)報(bào). 2016(12)

碩士論文
[1]基于改進(jìn)LBP算子的人臉識(shí)別算法研究[D]. 徐金林.安徽理工大學(xué) 2018
[2]基于視覺(jué)注意機(jī)制的圖像分割算法研究及其應(yīng)用[D]. 何以然.北京交通大學(xué) 2016
[3]地面車(chē)輛目標(biāo)分類(lèi)方法研究及軟件設(shè)計(jì)[D]. 尚千力.西安電子科技大學(xué) 2015



本文編號(hào)：3526110