基于卷积神经网络的陆战场目标识别系统设计

发布时间：2023-08-11 17:14

　　随着现代战争的复杂程度日渐提升,在陆战场中对战争实时态势的预测越来越困难,而掌握战争发展趋势是赢得战争胜利的必要条件,所以要找到一种既可以保证实时性又可以保证准确率的方法来对陆战场中的不同军事目标加以识别并反馈结果,以适应现在陆战场的作战要求。对于在陆战场中的目标识别任务来说,特征的提取是最重要的一步。针对传统的特征提取方法容易受到光照、形变、遮挡和裁剪等因素的影响,导致传统方法的识别率低下等问题,本文选择了在特征提取方面相比其他方法具有优越性的卷积神经网络,并将迁移学习的思想与深度学习结合,设计了一套可独立操作扩展数据集的基于卷积神经网络的陆战场目标识别系统。论文的主要工作如下:首先,对卷积神经网络的结构及工作原理做了深入的研究,利用卷积神经网络的局部感知和参数共享的特点,把卷积神经网络引入陆战场目标的识别领域,设计出一种适用于陆战场目标的识别方法,相比于传统方法提升了识别的准确率。其次,针对国内外目前已公开的用于研究的SAR数据库很少,使用原始数据库作为训练集或测试集容易产生过拟合问题。本文利用了多种数据扩充方式对已公开的SAR图像数据集加以扩充,使总数据量扩增至原始数据量的12倍...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 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
        1.2.1 深度学习在目标识别领域的研究现状
        1.2.2 迁移学习在百标识别领域的研究现状
        1.2.3 陆战场目标识别技术研究现状
    1.3 论文研究内容及章节安排
2 陆战场目标识别与深度学习概述
    2.1 引言
        2.1.1 陆战场目标识别关键技术
        2.1.2 传统目标识别特征介绍
        2.1.3 传统目标识别方法介绍
    2.2 深度学习方法对比
        2.2.1 深度置信网络
        2.2.2 自动编码器
        2.2.3 生成对抗网络
        2.2.4 卷积神经网络
    2.3 本章小结
3 卷积神经网络结构设计
    3.1 引言
    3.2 网络基本结构设计
        3.2.1 非线性激活函数的选择
        3.2.2 池化方法的选择
        3.2.3 分类器设计
    3.3 网络的优化方法对比及选择
        3.3.1 反向传播
        3.3.2 梯度下降优化算法
        3.3.3 过拟合问题与应对策略
    3.4 本章小结
4 基于卷积神经网络的陆战场目标识别方法
    4.1 引言
    4.2 系统整体方案设计
    4.3 实验数据集
        4.3.1 MSTAR数据集简介
        4.3.2 SAR图像数据扩充方法
        4.3.3 目标-背景图像合成方法
    4.4 迁移学习理论
        4.4.1 迁移学习概念
        4.4.2 迁移学习机制
    4.5 陆战场目标识别算法整体结构
    4.6 训练方法
        4.6.1 批量归一化
        4.6.2 参数微调阶段
    4.7 本章小结
5 系统设计和实验结果分析
    5.1 引言
    5.2 实验软硬件平台设计
        5.2.1 深度学习框架选择
        5.2.2 实验平台配置
        5.2.3 陆战场目标识别系统设计
    5.3 MSTAR数据集实验结果
        5.3.1 未结合迁移学习方法的目标识别算法
        5.3.2 结合迁移学习方法的目标识别算法
        5.3.3 与不同结构的CNN模型对比
    5.4 本章小结
6 结论与展望
    6.1 本文主要工作总结
    6.2 未来工作展望
参考文献
致谢



本文编号：3841438