基于卷积神经网络的陆战场目标分类算法研究
发布时间：2021-11-29 07:36
科学技术的发展也深刻改变着战场环境,一系列用于侦察的先进设备——高精度卫星、无人机等的普及运用使得人们可以轻易地获取大量的目标图像。如何高效利用这些图像来迅速区分、定位敌我目标已成为当前军事科学研究领域的前沿研究方向。卷积神经网络作为目前深度学习、计算机视觉领域最有效的手段之一,可以将原始数据直接作为输入,简化了解决问题的流程,同时也为数据保留了更多有用信息,在物体分类、目标检测、图像分割等问题中都有非常广泛的应用。随着网络深度的加深,卷积神经网络面临着梯度消失的问题。残差网络将残差学习机制引入卷积神经网络,有效地解决了梯度消失问题,使网络深度变得更深。在此背景下,本学位论文研究了基于卷积神经网络的陆战场目标分类算法,设计了一种卷积网络模型分类履带式坦克和轮式坦克,设计了一种基于Gabor卷积的聚合残差网络分类几种常见陆战场目标。论文主要工作与贡献总结如下:第一,基于改进的AlexNet网络设计了一种适用于履带式坦克和轮式坦克图像的分类算法。该算法模型使用3×3大小的卷积核提取特征。池化层采用非重叠池化策略,池化核大小为2×2,池化步长为2,在缩小特征图减少网络计算量的同时也可以降低像...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
卷积操作示例
第二章相关理论及技术15原始的映射H(x)表示为H(x)=F(x)+x，其中F(x)代表残差映射，x为输入数据。残差网络通过残差模块将网络对原始映射H(x)的学习转化为对残差映射F(x)的学习，也就是将网络求解的过程转换为学习残差函数F(x)=H(x)x的过程。当F(x)=0时，可以得到H(x)=x，也就是恒等映射。神经网络更容易拟合近似为0的值，因而对F(x)的学习较H(x)更为简单。H(x)、F(x)和x的函数关系如图2-5所示，蓝色实线代表网络要学习的原始映射H(x)，绿色虚线代表快捷连接支路（即输入数据x），红色线条代表残差映射F(x)。从图中可知，相比于蓝色线条，红色线条的取值更接近于0，F(x)函数较H(x)函数简单，所以采用卷积网络学习F(x)比学习H(x)更容易。图2-5H(x)，F(x)和x函数曲线示意图图2-4是一个具有两层卷积层的残差块。定义第一个卷积层中的权值为、偏置为，公式(2-3)即为经过第一个卷积层的输出。lllyW=x+b公式(2-3)不考虑批规范化，经过ReLU函数的输出见公式(2-4)。δ()ll=gy公式(2-4)定义第二个卷积层中的权重为Wl1+、偏置为bl1+，则经过第二个卷积层的输出如公式(2-5)所示。
Gabor函数生成示意图
【参考文献】：
期刊论文
[1]基于YOLO2和ResNet算法的监控视频中的人脸检测与识别[J]. 朱超平,杨艺. 重庆理工大学学报(自然科学). 2018(08)
[2]基于改进残差网络的人脸识别算法[J]. 曹川,张红英. 传感器与微系统. 2018(08)
[3]基于频谱动态特征和CS-SVM的装甲车辆识别[J]. 石文雷,樊新海,张传清. 计算机应用. 2018(S1)
[4]基于MFCC和支持向量机的装甲车辆识别研究[J]. 孙国强,樊新海,石文雷. 国外电子测量技术. 2017(10)
[5]一种基于分层多尺度卷积特征提取的坦克装甲目标图像检测方法[J]. 孙皓泽,常天庆,王全东,孔德鹏,戴文君. 兵工学报. 2017(09)
[6]基于稀疏自编码神经网络的军事目标图像分类[J]. 沈先耿. 指挥与控制学报. 2017(03)
[7]基于CNN的SAR图像目标分类优化算法[J]. 刘晨,曲长文,周强,李智. 雷达科学与技术. 2017(04)
[8]基于改进EEMD及能量特征的战场目标识别方法[J]. 邸忆,顾晓辉,车龙,刘亚雷. 电子测量与仪器学报. 2017(06)
[9]一种战场声目标识别的多特征提取算法[J]. 陈德宏,徐舒,沈浩. 安徽工业大学学报(自然科学版). 2017(02)
[10]基于改进的胡氏不变矩的坦克识别方法[J]. 胡福东,白宏阳,李成美,孙瑞胜. 兵器装备工程学报. 2016(12)
硕士论文
[1]基于改进LBP算子的人脸识别算法研究[D]. 徐金林.安徽理工大学 2018
[2]基于视觉注意机制的图像分割算法研究及其应用[D]. 何以然.北京交通大学 2016
[3]地面车辆目标分类方法研究及软件设计[D]. 尚千力.西安电子科技大学 2015
本文编号：3526110
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
卷积操作示例
第二章相关理论及技术15原始的映射H(x)表示为H(x)=F(x)+x，其中F(x)代表残差映射，x为输入数据。残差网络通过残差模块将网络对原始映射H(x)的学习转化为对残差映射F(x)的学习，也就是将网络求解的过程转换为学习残差函数F(x)=H(x)x的过程。当F(x)=0时，可以得到H(x)=x，也就是恒等映射。神经网络更容易拟合近似为0的值，因而对F(x)的学习较H(x)更为简单。H(x)、F(x)和x的函数关系如图2-5所示，蓝色实线代表网络要学习的原始映射H(x)，绿色虚线代表快捷连接支路（即输入数据x），红色线条代表残差映射F(x)。从图中可知，相比于蓝色线条，红色线条的取值更接近于0，F(x)函数较H(x)函数简单，所以采用卷积网络学习F(x)比学习H(x)更容易。图2-5H(x)，F(x)和x函数曲线示意图图2-4是一个具有两层卷积层的残差块。定义第一个卷积层中的权值为、偏置为，公式(2-3)即为经过第一个卷积层的输出。lllyW=x+b公式(2-3)不考虑批规范化，经过ReLU函数的输出见公式(2-4)。δ()ll=gy公式(2-4)定义第二个卷积层中的权重为Wl1+、偏置为bl1+，则经过第二个卷积层的输出如公式(2-5)所示。
Gabor函数生成示意图
【参考文献】：
期刊论文
[1]基于YOLO2和ResNet算法的监控视频中的人脸检测与识别[J]. 朱超平,杨艺. 重庆理工大学学报(自然科学). 2018(08)
[2]基于改进残差网络的人脸识别算法[J]. 曹川,张红英. 传感器与微系统. 2018(08)
[3]基于频谱动态特征和CS-SVM的装甲车辆识别[J]. 石文雷,樊新海,张传清. 计算机应用. 2018(S1)
[4]基于MFCC和支持向量机的装甲车辆识别研究[J]. 孙国强,樊新海,石文雷. 国外电子测量技术. 2017(10)
[5]一种基于分层多尺度卷积特征提取的坦克装甲目标图像检测方法[J]. 孙皓泽,常天庆,王全东,孔德鹏,戴文君. 兵工学报. 2017(09)
[6]基于稀疏自编码神经网络的军事目标图像分类[J]. 沈先耿. 指挥与控制学报. 2017(03)
[7]基于CNN的SAR图像目标分类优化算法[J]. 刘晨,曲长文,周强,李智. 雷达科学与技术. 2017(04)
[8]基于改进EEMD及能量特征的战场目标识别方法[J]. 邸忆,顾晓辉,车龙,刘亚雷. 电子测量与仪器学报. 2017(06)
[9]一种战场声目标识别的多特征提取算法[J]. 陈德宏,徐舒,沈浩. 安徽工业大学学报(自然科学版). 2017(02)
[10]基于改进的胡氏不变矩的坦克识别方法[J]. 胡福东,白宏阳,李成美,孙瑞胜. 兵器装备工程学报. 2016(12)
硕士论文
[1]基于改进LBP算子的人脸识别算法研究[D]. 徐金林.安徽理工大学 2018
[2]基于视觉注意机制的图像分割算法研究及其应用[D]. 何以然.北京交通大学 2016
[3]地面车辆目标分类方法研究及软件设计[D]. 尚千力.西安电子科技大学 2015
本文编号：3526110
本文链接：https://www.wllwen.com/shekelunwen/renwuzj/3526110.html
