当前位置:主页 > 科技论文 > 自动化论文 >

遥感图像目标智能迷彩技术研究

发布时间:2021-08-04 21:29
  当今社会利用深度学习对遥感图像进行目标识别和大数据的分析已经逐渐成为一种趋势。传统针对破坏边缘信息的迷彩设计方式,是一种针对特定背景的通用网络的设计算法,无法保证对指定检测网络的效果,也无法迁移到其他背景上。针对上述问题,本课题提出了一种基于生成对抗网络的新的目标伪装设计方式,针对指定目标检测网络生成伪装迷彩图,实现对目标检测网络的定向欺骗。本课题以遥感图像和检测的网络特点为研究背景,围绕遥感图像中目标的伪装图设计方法展开研究,以深度学习中目标检测网络、生成对抗网络、风格迁移网络技术为核心,在现有的研究基础上进行改进和创新,设计了遥感图像的伪装迷彩图生成系统。本课题通过生成对抗的方式来完成伪装迷彩图像的生成流程。近年来,通过生成对抗方式来攻击神经网络取得了不错的效果,本课题将其引入并取得了不错的效果。针对多背景下迷彩图通用性的问题,采用基于风格迁移网络的方法,实现目标与多背景融合,提升了伪装迷彩图的泛用性。针对遥感图像目标尺度变化大、纹理相对模糊的特点,本课题设计了卷积层噪声融合和多类别热图引导来提升检测网络的准确率。通过提取特征层引入噪声来提升检测网络鲁棒性,提升网络对弱纹理目标的表... 

【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】:68 页

【学位级别】:硕士

【部分图文】:

遥感图像目标智能迷彩技术研究


数码迷彩示例

目标检测,示例


哈尔滨工业大学工学硕士学位论文8以在神经网络的发展历程中发现,之前的神经网络由于过度的非线性,导致学习困难,网络的层数也不能增加的过多。从ResNet开始,将神经网络的非线性降低,从而提高提高拟合的效果,这也同样导致线性扰动对于神经网络的扰动影响不断增强。这种基于梯度生成对抗样本的算法是一种通过目标损失最大化获取对抗样本的方式。普通的神经网络是寻求损失函数最小化的过程,训练的过程就是沿着梯度减小的方向去移动,即梯度下降法,而FGSM就是朝着网络损失最大的方向去进行拟合,求得损失函数的最大值。图2-1是一个GoogLeNet的一个生成对抗示例的演示。通过添加一个不可见的小数值的矩阵,合成后的图像可以改变神经网络的图像分类,从原来可以接近60%置信度的熊猫正确分类,变成了接近100%置信度的长颈鹿分类。这个干扰的噪声矩阵通过乘以0.007的权重系数后叠加到原图像上得到的新图像从肉眼的角度没有太多的改变,但却极大的影响了神经网络的判断。图2-1GoogLeNet的快速对抗示例生成的演示在干扰分类网络的基础上,逐渐发展出来对于目标检测的对抗攻击。这种方向的研究在针对自动驾驶等领域的检测网络有着一些进展[21]。由于自动驾驶等应用会检测相对广泛的目标,因此网络的漏洞会更大。这种对抗性扰动添加到停车标志和面部图像中,这可能会削弱其检测能力。在这里会采用两种干扰的方式,一种是全图添加噪声干扰的方式,一种是部分区域添加干扰的情况,如图2-2中所示,在原来停车牌的检测中,在全图添加噪声的情况,可以发现大幅度扰动目标的分类和定位,其中出现了大量的假阳目标,而在目标区域添加小的扰动,这个停止标志被检测为花瓶。由此可以发现,这种干扰的方式对于目标检测也十分的有效。

遥感图像,示例,迷彩


哈尔滨工业大学工学硕士学位论文9图2-2停车牌生成对抗示例由此我们针对我们的目标需求,可以采用生成对抗的方式来对目标进行定向的伪装,从而达到我们对神经网络定向欺骗的伪装迷彩的需求。2.3系统构建的目标要求本课题针对的是用于检测遥感图像的神经网络的伪装迷彩图生成系统,采用生成对抗为思路的生成方案。针对性能需求,需要满足以下几点:(1)多背景通用性。针对指定DOTA数据集中的目标和特定的检测网络,伪装迷彩可以对数据集内所有背景下指定目标都有效果。生成的通用伪装迷彩可以针对目标数据集内目标都会有效,包括漏检、位置错误或者分类错位。(2)端到端的训练方式。在伪装迷彩图训练过程需要将生成到检测再到反传的过程能够自动连续的完成,减少训练的时间。(3)良好的伪装效果。针对指定的目标检测网络有着明显的效果。以0.5交并比为检出目标的网络,使其检出率下降到原来检测效果的一半以下。2.4系统整体方案本文将采用深度学习的生成对抗技术、目标检测技术、风格迁移技术相结合,设计一个适用于遥感图像伪装迷彩图生成系统。该系统会将目标检测网络、生成网络、背景融合中的传统方式和风格迁移网络相结合。相较于传统数码迷彩设计,该系统的计算量较大,训练周期较长,但是该系统可以完成端到端的生成伪装图像到检测网络输出,同时不依赖于特定背景,不需要过多的手动调节,会在训练中自动扩充大量的样本,提升系统生成效率。该系统根据功能主要分为四个部分:图像预处理模块、检测模块、生成模块和背景融合模块,多模块协同作用完成最终生成。该系统的组成如下图2-3所示:

【参考文献】:
期刊论文
[1]一种基于深度学习的遥感图像目标检测算法[J]. 赵宝康,李晋文,杨帆,刘佳豪.  计算机工程与科学. 2019(12)
[2]迷彩伪装中基于背景的轮廓生成技术[J]. 李春彦,王珍,罗毅,虞明根.  信息记录材料. 2019(12)
[3]基于循环一致性对抗网络的数码迷彩伪装生成方法[J]. 滕旭,张晖,杨春明,赵旭剑,李波.  计算机应用. 2020(02)
[4]基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测[J]. 姚群力,胡显,雷宏.  测绘学报. 2019(10)
[5]光学遥感图像目标检测方法[J]. 王伦文,冯彦卿,张孟伯.  系统工程与电子技术. 2019(10)

博士论文
[1]迁移学习在文本分类中的应用研究[D]. 孟佳娜.大连理工大学 2011

硕士论文
[1]三维数码迷彩的设计算法研究[D]. 李中华.西安工业大学 2019
[2]基于相似度的伪装效果评价方法研究[D]. 代军.西安工业大学 2018



本文编号:3322439

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3322439.html


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

版权申明:资料由用户200d7***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