基于深度卷積神經(jīng)網(wǎng)絡(luò)的飛行器圖像識(shí)別算法研究.pdf

1、在現(xiàn)代戰(zhàn)場(chǎng)環(huán)境中，敵方目標(biāo)探測(cè)和識(shí)別一直是一個(gè)非常重要的問(wèn)題。傳統(tǒng)目標(biāo)識(shí)別方案主要依靠雷達(dá)系統(tǒng)、毫米波、激光等手段區(qū)分?jǐn)澄夷繕?biāo)，容易受電磁干擾影響且成本較高。近年來(lái)，隨著深度學(xué)習(xí)理論的日趨成熟，各種基于深度學(xué)習(xí)的應(yīng)用在各個(gè)不同領(lǐng)域?qū)映霾桓F。卷積神經(jīng)網(wǎng)絡(luò)作為目前計(jì)算機(jī)視覺(jué)領(lǐng)域最有效的手段之一，在物體分類(lèi)、圖像分割等問(wèn)題中都有非常廣泛的應(yīng)用。為此，本文開(kāi)展了一系列基于深度學(xué)習(xí)的飛行器圖像識(shí)別算法研究。
　　本文基于TensorFlow

2、研究飛行器識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)及其算法。文中算法無(wú)需將目標(biāo)物體從背景中分離出來(lái)，雨將飛行器的目標(biāo)識(shí)別任務(wù)分成兩個(gè)部分:候選區(qū)域生成和飛行器分類(lèi)。對(duì)于候選區(qū)域生成問(wèn)題，借鑒faster-rcnn的思路提出并構(gòu)建一個(gè)候選區(qū)域提取網(wǎng)絡(luò)。該網(wǎng)絡(luò)通過(guò)對(duì)各幅圖像批量生成候選框，并對(duì)候選框先用卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化區(qū)域位置和尺寸得到分類(lèi)概率，再生成代價(jià)函數(shù)后通過(guò)反向求導(dǎo)優(yōu)化網(wǎng)絡(luò)參數(shù)。另外，文中基于層次聚類(lèi)提出一種候選區(qū)域篩選算法，通過(guò)預(yù)先篩選候選區(qū)域大幅降低

3、測(cè)試運(yùn)行時(shí)間。在飛行器分類(lèi)方面，提取幾類(lèi)常見(jiàn)的飛行器目標(biāo)，基于AlexNet設(shè)計(jì)圖像分類(lèi)網(wǎng)絡(luò)，且將原網(wǎng)絡(luò)中的池化層周金字塔池化層替代，解決數(shù)據(jù)集中圖像大小不一的問(wèn)題;并使用遷移學(xué)習(xí)的方法解決有標(biāo)簽樣本稀缺的情況下網(wǎng)絡(luò)訓(xùn)練困難的問(wèn)題;通過(guò)數(shù)據(jù)增強(qiáng)、批歸一化等措施進(jìn)一步改善分類(lèi)效果。
　　最后，文中進(jìn)行基于深度學(xué)習(xí)的飛行器目標(biāo)識(shí)別網(wǎng)絡(luò)訓(xùn)練和實(shí)驗(yàn)驗(yàn)證研究。文中從網(wǎng)絡(luò)中獲取了ImageNet圖像數(shù)據(jù)庫(kù)中5類(lèi)飛行器圖像，對(duì)各類(lèi)圖像分別做圖像