基于CNN的移动军事目标检测及DSP实现

发布时间：2023-06-28 06:01

　　目标检测一直是计算机视觉处理领域的重点和难点,它有着重要的实用价值,被广泛应用于各个领域。在军事领域,目标检测对战场侦查、无人作战以及防御警戒等方面有着重要的作用。以往手工提取特征的目标检测算法局限性较强,性能提升的空间有限。随着近几年深度学习技术的迅速发展,目标检测又取得了突破性的进展,因此各个研究机构开始采用深度学习的方法进行目标检测研究。本文对现有的目标检测算法进行分析,研究了一种面向移动军事目标的深度学习方法目标检测系统,并在TMS320C6678多核DSP嵌入式平台上实现和优化。本文完成的主要工作如下:(1)制作了军事目标检测数据集。深度学习前期需要庞大的数据对模型进行训练,而由于军事目标的特殊性,目前没有公开的数据集可以使用。因此本文收集了6类公开的军事目标图像共1800张,并逐一对其位置和类别进行了标注。(2)对现有目标检测算法进行改进。本文对现有的目标检测算法进行了分析,对目前先进的YOLO和Faster R-CNN的思想进行了融合,实现了一种更为准确快速的目标检测网络。本文的军事目标在此网络上的检测精度比YOLO提升了10%以上,达到了75%。(3)实现小样本的训练。...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 引言
    1.1 课题研究背景
    1.2 课题研究现状
        1.2.1 传统目标识别方法
        1.2.2 基于深度学习的目标检测
        1.2.3 基于嵌入式平台的目标检测
    1.3 论文研究内容及结构安排
第二章 研究基础
    2.1 卷积神经网络
        2.1.1 卷积层
        2.1.2 池化层
        2.1.3 全连接层
        2.1.4 激活函数
        2.1.5 损失函数
    2.2 基于深度学习的目标检测算法
        2.2.1 传统目标检测算法
        2.2.2 R-CNN
        2.2.3 Fast R-CNN
        2.2.4 Faster R-CNN
        2.2.5 YOLO
        2.2.6 SSD
    2.3 深度学习框架
        2.3.1 Caffe
        2.3.2 Tensor Flow
        2.3.3 MxNet
        2.3.4 Theano
第三章 移动军事目标检测网络设计
    3.1 经典网络结构分析
    3.2 分类部分设计
        3.2.1 总体结构
        3.2.2 参数设置
    3.3 检测部分设计
        3.3.1 先验框设置
        3.3.2 损失函数设置
    3.4 数据集的收集与制作
        3.4.1 数据集的分类
        3.4.2 数据集图像选取标准
        3.4.3 数据集图像收集与标注
    3.5 训练与实验结果
        3.5.1 Caffe框架环境搭建
        3.5.2 训练方式
        3.5.3 训练参数设置
        3.5.4 测试结果
第四章 在嵌入式设备上实现移动军事目标检测系统
    4.1 嵌入式平台
        4.1.1 TMS320C6678 多核DSP芯片架构
        4.1.2 TMDXEVM6678LE介绍
    4.2 在EVM上实现目标检测
        4.2.1 Code Composer Studio v5.5
        4.2.2 代码结构
    4.3 结果测试
    4.4 仿真模型测试
        4.4.1 灰度图像检测
        4.4.2 仿真模型与目标获取
        4.4.3 检测效果
第五章 移动军事目标检测系统的优化
    5.1 检测系统内存访问优化
    5.2 检测系统代码优化
        5.2.1 优化选项优化
        5.2.2 关键代码手工优化
        5.2.3 其他优化
    5.3 系统多核并行优化
        5.3.1 确定并行模型
        5.3.2 任务划分
        5.3.3 共享资源的仲裁机制
        5.3.4 Cache一致性问题
        5.3.5 多核并行
    5.4 实验结果
第六章 总结与展望
    6.1 研究工作总结
    6.2 研究展望
致谢
参考文献
作者在学期间取得的学术成果



本文编号：3836120