无监督跨域目标识别优化算法研究

发布时间：2022-01-02 09:37

　　随着人工智能与机器视觉技术的快速发展,多场景、跨域交叉应用成为智能化目标识别算法发展的新趋势。由于应用场景的多样性,难以为每一个全新的场景采集并标注足量的训练样本,甚至在很多情况下,新场景中的样本完全没有标签,即所谓的“无监督”条件。这要求目标识别算法能够复用已有的标签样本和新场景下的无标签样本对识别模型进行无监督训练,使其能够有效地推广到新的应用领域,实现跨域目标识别。目前,以概率分布建模为基础的概率分布适配技术是解决跨域目标识别的主要方法。然而,在无监督条件下存在标签信息缺失、样本数量不足等问题,导致现有方法不能很好地建立数据的分布模型,降低了算法的跨域识别性能和泛化能力。本文围绕上述问题展开研究,重点解决因样本标签信息不完备而导致的识别模型泛化能力不强及识别性能不佳的问题,改善当前目标识别算法的应用领域局限性,进一步优化算法的通用性和推广能力。本文的主要工作如下:由于无监督条件下样本的标签信息完全缺失,不能准确建立样本的条件概率分布模型,导致基于概率分布适配的传统跨域识别算法无法有效实施。本文首先研究无监督条件下的概率分布建模方法,利用标签分布的先验信息和伪标签预测算法,更为准确... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：132 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 国内外研究现状与存在问题分析
        1.2.1 无监督大样本跨域目标识别方法研究现状
        1.2.2 无监督少样本跨域目标识别方法研究现状
        1.2.3 无监督多源跨域目标识别方法研究现状
    1.3 拟解决的关键技术问题
    1.4 本文主要研究内容
第2章 大样本跨域目标识别优化算法模型的建立
    2.1 引言
    2.2 基于概率分布适配的跨域目标识别算法框架
    2.3 结构化联合分布适配算法(SJDA)
        2.3.1 结构化伪标签预测算法
        2.3.2 基于结构化伪标签预测的联合分布适配
    2.4 基于SJDA的大样本跨域识别优化算法模型的建立
        2.4.1 SJDA模型框架与深度神经网络实现
        2.4.2 SJDA模型的优化方法设计
        2.4.3 SJDA方法误差边界的估计与分析
    2.5 SJDA方法的实验分析与性能验证
        2.5.1 无监督实验数据集的建立
        2.5.2 SJDA方法性能验证的对比方法选择
        2.5.3 实验参数设置与性能评价指标
        2.5.4 SJDA方法性能验证实验结果与分析
        2.5.5 SJDA方法主要技术的有效性验证
    2.6 本章小结
第3章 样本噪声条件下跨域目标识别优化算法研究
    3.1 引言
    3.2 域参数相似性正则化方法的提出
        3.2.1 域参数相似性正则化方法的具体形式
        3.2.2 基于正交自编码机的参数矩阵降维方法
        3.2.3 参数矩阵的相似性度量方法研究
    3.3 基于DPSR算法的跨域目标识别模型建立
        3.3.1 DPSR识别模型的深度神经网络实现
        3.3.2 DPSR识别模型的优化方法设计
        3.3.3 DPSR识别模型的误差边界分析
    3.4 DPSR模型跨域识别性能的实验验证与分析
        3.4.1 实验条件与对比方法
        3.4.2 实验参数的计算与设置
        3.4.3 DPSR模型性能验证实验结果与分析
        3.4.4 DPSR模型的有效性验证与分析
    3.5 本章小结
第4章 基于属性图模型的少样本跨域目标识别优化算法设计
    4.1 引言
    4.2 无监督属性特征提取方法研究
        4.2.1 属性语义空间的建立
        4.2.2 属性特征的提取
    4.3 基于图网络的属性关系建模
        4.3.1 图卷积操作的数学形式推导
        4.3.2 属性关系的图卷积神经网络模型
    4.4 基于属性图模型(AGM)的跨域目标识别算法设计
        4.4.1 属性图模型的架构设计
        4.4.2 属性图模型的优化方法
    4.5 AGM识别模型的实验验证与分析
        4.5.1 用于AGM模型验证的少样本实验数据集构建
        4.5.2 AGM性能验证实验的对比方法选择与实验参数设置
        4.5.3 AGM模型性能验证实验结果与分析
        4.5.4 AGM模型的有效性验证与分析
    4.6 本章小结
第5章 基于多源选择分布适配的飞行目标跨域识别算法研究
    5.1 引言
    5.2 飞行目标识别中的多数据源跨域识别问题分析
    5.3 多源选择分布适配算法(MSDA)的提出
    5.4 基于MSDA算法的飞行目标识别模型建立
        5.4.1 基于跨域生成对抗网络的识别模型设计
        5.4.2 飞行目标识别模型的优化方法研究
    5.5 飞行目标识别模型的实验验证与性能分析
        5.5.1 典型飞行目标数据集的建立
        5.5.2 MSDA性能验证实验的对比方法选择与实验参数设置
        5.5.3 飞行目标识别模型性能验证实验结果与分析
    5.6 飞行目标识别模型硬件加速平台的搭建
        5.6.1 加速平台的架构设计与实现方案
        5.6.2 飞行目标识别模型在硬件加速平台上的运行结果
    5.7 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其它成果
致谢
个人简历


【参考文献】：
期刊论文
[1]基于稀疏表示的红外空中目标分类算法（英文）[J]. 金璐,李范鸣,刘士建,王霄.  红外与毫米波学报. 2019(05)
[2]传统特征和深度特征融合的红外空中目标跟踪[J]. 胡阳光,肖明清,张凯,王晓柱,段耀泽.  系统工程与电子技术. 2019(12)
[3]基于BRDF的空中目标红外成像建模与仿真[J]. 王霄,高思莉,李范鸣.  红外与毫米波学报. 2019(02)
[4]深度学习在红外目标跟踪中的应用展望[J]. 庄旭阳,陈宝国,张景山.  航空兵器. 2019(01)
[5]基于信息融合的空中弱小目标检测[J]. 邓剑勋,熊忠阳,邓欣.  电光与控制. 2018(02)
[6]基于属性关系图正则化特征选择的零样本分类[J]. 巩萍,程玉虎,王雪松.  中国矿业大学学报. 2015(06)
[7]空中目标红外辐射特性建模与测量误差分析[J]. 雷萍,雷萍,马娜,曲卫东,薛挺.  光电技术应用. 2009(05)
[8]空中飞行目标尾焰红外辐射信号的建模与仿真[J]. 高思莉,汤心溢.  光电工程. 2007(08)

博士论文
[1]复杂天空背景下红外小弱目标检测与跟踪关键技术研究[D]. 刘德鹏.重庆大学 2018
[2]零样本学习关键技术研究[D]. 李亚南.浙江大学 2018
[3]迁移学习问题与方法研究[D]. 龙明盛.清华大学 2014

硕士论文
[1]空中目标场景红外多波段仿真研究[D]. 阮日权.西安电子科技大学 2013



本文编号：3563940