当前位置:主页 > 科技论文 > 军工论文 >

基于深度学习的军事目标检测技术研究

发布时间:2021-02-10 00:26
  当今世界,随着人工智能的发展,各种各样的智能化武器不断涌现并被应用到战场,传统的战争模式也逐渐转向现代化、智能化战争模式。智能武器的使用大大的提高了作战效能。在智能武器的使用中要求其能够针对特定目标进行有效打击,因此如何使得各种智能武器能够像人类大脑一样自动识别各种军事目标成为需要解决的首要问题,本文针对几种常见的军事目标,基于当前最流行的深度学习方法,采用改进后的YOLOv3目标检测算法对常见的几种军事目标进行了智能识别研究。本文在介绍CNN网络组成结构与工作原理的基础上,分析两大类目标检测算法中的典型算法。随后在深入分析当前深度学习算法中使用的NMS算法缺陷基础上,针对置信度直接置零的缺陷,创造性的提出了分段线性衰减函数调整置信度的改进措施,而针贪心方式筛选的缺陷,则创造性的采用面积比较法与重叠区域长度判断法对传统的NMS算法进行了优化,得到了改进后的NMS算法,并通过实验进行了验证,结果表明,改进后的NMS算法的性能得到了提高。针对当前还没有公开的军事目标数据集,本文自行构建了用于常见军事目标检测的数据集。构建完成军事目标数据集后,通过配置好的系统,在军事目标数据集上训练了YOL... 

【文章来源】:中北大学山西省

【文章页数】:82 页

【学位级别】:硕士

【文章目录】:
摘要
abstract
1.绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 深度学习研究现状
        1.2.2 目标检测研究现状
    1.3 本文主要内容及结构安排
2.深度学习技术理论基础
    2.1 人工神经网络
        2.1.1 神经元
        2.1.2 激活函数
        2.1.3 损失函数
    2.2 卷积神经网络
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 全连接层
        2.2.4 批规范化处理
    2.3 深度学习指标
        2.3.1 准确率
        2.3.2 召回率
        2.3.3 IOU
        2.3.4 AP与 MAP
        2.3.5 FPS
    2.4 本章小结
3.基于深度学习的目标检测算法研究
    3.1 基于候选区域的目标检测算法研究
        3.1.1 R–CNN目标检测算法
        3.1.2 Faster-RCNN目标检测算法
    3.2 基于端到端的目标检测算法研究
        3.2.1 YOLOv1 目标检测算法
        3.2.2 SSD目标检测算法
        3.2.3 YOLOv2 目标检测算法
        3.2.4 YOLOv3 目标检测算法
    3.3 本章小结
4.非极大值抑制算法优化改进
    4.1 传统NMS算法及其缺陷分析
        4.1.1 传统NMS算法的检测过程
        4.1.2 传统NMS算法缺陷分析
    4.2 NMS算法置信度直接置零调整策略改进
        4.2.1 soft-NMS算法的缺陷分析
        4.2.2 NMS算法置信度分段线性衰减函数调整设计
    4.3 NMS算法贪心方式筛选改进
        4.3.1 面积比较法改进NMS算法
        4.3.2 重叠区域边长最小长度判断法改进NMS算法
    4.4 实验结果分析
    4.5 本章小结
5.基于YOLOv3 算法的军事目标检测实验
    5.1 实验数据集
    5.2 系统配置
    5.3 YOLOv3 网络模型训练
    5.4 军事目标检测实验结果分析
        5.4.1 测试集A实验结果
        5.4.2 测试集B实验结果
    5.5 本章小结
6.总结与展望
    6.1 论文研究总结
    6.2 工作展望
参考文献
致谢



本文编号:3026478

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/jingguansheji/3026478.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户7efb6***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com