基于机器学习的目标识别方法研究

发布时间：2020-03-29 19:28

【摘要】：目标识别一直是计算机视觉领域内的一个研究热点,目标识别在战场上应用十分广泛,但由于战场环境比较复杂,在进行目标识别过程存在特征选择信息不准,单一分类器识别率较低等问题。本文针对上述问题提出端到端的深层卷积神经网络方法对目标进行识别。首先,针对深层卷积神经网络权值分布稳定性,数据依赖问题和源域与目标域差距问题提出了半监督增强迁移学习。深层卷积神经网络前期不容易收敛,并且权值分布容易受到数据分布影响,引入半监督迁移学习可以一定程度上解决此类问题。针对半监督迁移学习会产生过拟合问题提出了增强迁移学习,通过融合多个分类器参数减缓过拟合现象。在Cifar-10数据集上实验表明,加入半监督增强迁移学习的网络训练时会更稳定,并且收敛更快一些。然后,针对注意力机制全连接参数量较大的问题和分组带来的分布截断问题提出了复用特征选择机制。选择出较好的特征可以很大程度上提高模型的准确率,通过注意力机制可以在深层神经网络中增强显著特征。本文提出卷积特征选择,利用卷积计算替换注意力机制权值映射阶段中的全连接操作,可以在减少参数量的情况下更好的表达特征图。针对特征图分组选择的分布截断问题,本文提出复用切片分组以及组合并行被选择特征来进行特征选择,减少了特征图分布截断带来的信息损失和过度选择问题进而增加识别率。在STL-10数据集上实验表明,本文提出的复用特征选择网络(CoFS-Net)好过其它目标识别网络。最后,结合第三章和第四章提出的方法提出了机器学习的目标识别方法在战场中实际应用方案,使用第四章提出的复用特征选择网络作为特征提取器,第三章提出的半监督增强迁移学习来初始化参数。本文将目标识别识别任务分为两个步骤,首先通过二分类器判断目标是否存在,然后利用多分类器进行目标分类。在采集的战场目标数据集上进行实验,通过实验表明本文提出的方法要好过其他方法。
【图文】：

图 3.1 迁移学习的过程Fig.3.1 Processing of transfer learning程其实很好理解。首先，明确域和任务的概念域包含两部分，一个是特征空间ψ ，另一个是边缘。一个任务可以表示为 τ ={ y,f(x)}，任务也包一个预测值 f (x)， f (x)也可以看成一个条件概被表示为：假设有一个基于域tD 的任务tτ ，并援助。迁移学习的目的就是通过迁移基于域sD 的预测函数 ()τf 的性能，并且stD ≠ D，tsτ ≠ τ，：个预训练的源模型是从可用模型中挑选出来的。数据集的模型，这些都可以作为源模型的备选者

- 25 -于半监督学习的改进的深度迁移eep transfer learning process based督的深度迁移学习方法有两数据增强处理，图像数据增空间几何变换对图像进行旋息的情况下更多尺度的训练，神经网络本身对高斯噪声可以采用加入噪声和调节对几何变换，，像素点变换如图
【学位授予单位】：沈阳理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP18

【相似文献】

相关期刊论文 前10条

1 王伟男;杨朝红;;基于图像处理技术的目标识别方法综述[J];电脑与信息技术;2019年06期

2 王伟男;周亮;;基于图像处理技术的军事目标识别方法综述[J];电脑与信息技术;2020年01期

3 李琦;孙桂玲;黄翠;刘颉;常哲;于金花;文洪涛;;基于水声环境空间中多模态深度融合模型的目标识别方法研究[J];海洋技术学报;2019年06期

4 李华群;;夜间塔影图像目标识别方法的仿真研究[J];计算机仿真;2016年12期

5 尚怡君;金保华;张云龙;;基于相关分析的飞机目标识别方法[J];电子设计工程;2013年16期

6 许阳;王晓璇;;一种工程化的双门限辐射源目标识别方法[J];计算机测量与控制;2009年05期

7 左震,张天序,汪国有;远距红外图像中桥梁目标识别方法研究[J];电子学报;1998年11期

8 徐胜荣，李忠兴;自然景物中桥梁目标识别方法的研究[J];浙江大学学报(自然科学版);1995年03期

9 李伟生;陈曦;;一种结合显著性检测与词袋模型的目标识别方法[J];计算机工程与科学;2017年09期

10 宋曦;周荫清;;一种基于模板匹配的目标识别方法[J];遥测遥控;2010年02期

相关会议论文 前10条

1 肖怀铁;郭雷;付强;;一种新的模糊支持矢量机多目标识别方法[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

2 张艳宁;赵荣椿;梁怡;;一种有效的图像目标识别方法[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（下册）[C];2002年

3 任文君;苏开娜;;一种复杂背景下基于知识的目标识别方法的研究[A];中国图象图形科学技术新进展——第九届全国图象图形科技大会论文集[C];1998年

4 王清;姜志国;赵丹培;安萌;;一种基于特征区域的空间有形目标识别方法[A];第八届全国信号与信息处理联合学术会议论文集[C];2009年

5 王延求;黎阳;;一种基于方位估计的潜艇目标识别方法[A];2014年水声对抗技术学术交流会论文集[C];2014年

6 张纯;许枫;;基于运动特征的水下蛙人目标识别方法[A];中国声学学会水声学分会2011年全国水声学学术会议论文集[C];2011年

7 刘兴潭;武延鹏;;天基空间目标识别方法综述[A];第二届中国空天安全会议论文集[C];2017年

8 张荣;王勇;;TM图像中道路目标识别方法的研究[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年

9 陶志国;姜一晖;柳鹏;;基于BP神经网络的飞机目标识别方法研究[A];'2006系统仿真技术及其应用学术交流会论文集[C];2006年

10 张冬英;洪津;王峰;骆冬根;邱成峰;;基于灰度直方图的暗目标识别方法[A];光子科技创新与产业化——长三角光子科技创新论坛暨2006年安徽博士科技论坛论文集[C];2006年

相关博士学位论文 前10条

1 杨勇虎;基于雷达信息的海上溢油与小目标识别方法[D];大连海事大学;2018年

2 白丰;基于局部二进制特征描述的卫星装配目标识别方法研究[D];河北工业大学;2017年

3 裴季方;多视角SAR目标识别方法研究[D];电子科技大学;2018年

4 汤晓;基于复杂网络的图像目标识别方法研究[D];广东工业大学;2013年

5 王鹏辉;基于统计建模的雷达高分辨距离像目标识别方法研究[D];西安电子科技大学;2012年

6 殷飞;基于稀疏学习的图像维数约简和目标识别方法研究[D];西安电子科技大学;2014年

7 郦苏丹;SAR图像特征提取与目标识别方法研究[D];国防科学技术大学;2001年

8 赵炳爱;基于小波分析的高分辨率雷达目标识别方法研究[D];哈尔滨工程大学;2003年

9 聂海涛;基于图像局部特征的康复机器人目标识别方法研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2015年

10 李西平;塔机超声安全预警目标识别的神经网络方法研究[D];西安建筑科技大学;2015年

相关硕士学位论文 前10条

1 马星;基于特征层融合的三维目标识别方法研究[D];西安工业大学;2019年

2 雷蕾;线扫激光雷达目标识别方法研究[D];西安工业大学;2019年

3 闫华清;基于深度网络的SAR图像目标识别方法研究[D];上海交通大学;2017年

4 常镶石;基于机器学习的目标识别方法研究[D];沈阳理工大学;2019年

5 司进修;基于深度学习的雷达一维距离像目标识别方法研究与实现[D];电子科技大学;2019年

6 申威;基于机器学习的SAR目标识别方法研究[D];电子科技大学;2019年

7 全磊;复杂环境下目标识别方法的研究[D];西北师范大学;2018年

8 王汝s

本文编号：2606415