發(fā)布時間：2020-03-29 19:28

【摘要】：目標識別一直是計算機視覺領(lǐng)域內(nèi)的一個研究熱點,目標識別在戰(zhàn)場上應(yīng)用十分廣泛,但由于戰(zhàn)場環(huán)境比較復(fù)雜,在進行目標識別過程存在特征選擇信息不準,單一分類器識別率較低等問題。本文針對上述問題提出端到端的深層卷積神經(jīng)網(wǎng)絡(luò)方法對目標進行識別。首先,針對深層卷積神經(jīng)網(wǎng)絡(luò)權(quán)值分布穩(wěn)定性,數(shù)據(jù)依賴問題和源域與目標域差距問題提出了半監(jiān)督增強遷移學(xué)習(xí)。深層卷積神經(jīng)網(wǎng)絡(luò)前期不容易收斂,并且權(quán)值分布容易受到數(shù)據(jù)分布影響,引入半監(jiān)督遷移學(xué)習(xí)可以一定程度上解決此類問題。針對半監(jiān)督遷移學(xué)習(xí)會產(chǎn)生過擬合問題提出了增強遷移學(xué)習(xí),通過融合多個分類器參數(shù)減緩過擬合現(xiàn)象。在Cifar-10數(shù)據(jù)集上實驗表明,加入半監(jiān)督增強遷移學(xué)習(xí)的網(wǎng)絡(luò)訓(xùn)練時會更穩(wěn)定,并且收斂更快一些。然后,針對注意力機制全連接參數(shù)量較大的問題和分組帶來的分布截斷問題提出了復(fù)用特征選擇機制。選擇出較好的特征可以很大程度上提高模型的準確率,通過注意力機制可以在深層神經(jīng)網(wǎng)絡(luò)中增強顯著特征。本文提出卷積特征選擇,利用卷積計算替換注意力機制權(quán)值映射階段中的全連接操作,可以在減少參數(shù)量的情況下更好的表達特征圖。針對特征圖分組選擇的分布截斷問題,本文提出復(fù)用切片分組以及組合并行被選擇特征來進行特征選擇,減少了特征圖分布截斷帶來的信息損失和過度選擇問題進而增加識別率。在STL-10數(shù)據(jù)集上實驗表明,本文提出的復(fù)用特征選擇網(wǎng)絡(luò)(CoFS-Net)好過其它目標識別網(wǎng)絡(luò)。最后,結(jié)合第三章和第四章提出的方法提出了機器學(xué)習(xí)的目標識別方法在戰(zhàn)場中實際應(yīng)用方案,使用第四章提出的復(fù)用特征選擇網(wǎng)絡(luò)作為特征提取器,第三章提出的半監(jiān)督增強遷移學(xué)習(xí)來初始化參數(shù)。本文將目標識別識別任務(wù)分為兩個步驟,首先通過二分類器判斷目標是否存在,然后利用多分類器進行目標分類。在采集的戰(zhàn)場目標數(shù)據(jù)集上進行實驗,通過實驗表明本文提出的方法要好過其他方法。
【圖文】：

圖 3.1 遷移學(xué)習(xí)的過程Fig.3.1 Processing of transfer learning程其實很好理解。首先，明確域和任務(wù)的概念域包含兩部分，一個是特征空間ψ ，另一個是邊緣。一個任務(wù)可以表示為 τ ={ y,f(x)}，任務(wù)也包一個預(yù)測值 f (x)， f (x)也可以看成一個條件概被表示為：假設(shè)有一個基于域tD 的任務(wù)tτ ，并援助。遷移學(xué)習(xí)的目的就是通過遷移基于域sD 的預(yù)測函數(shù) ()τf 的性能，并且stD ≠ D，tsτ ≠ τ，：個預(yù)訓(xùn)練的源模型是從可用模型中挑選出來的。數(shù)據(jù)集的模型，這些都可以作為源模型的備選者

- 25 -于半監(jiān)督學(xué)習(xí)的改進的深度遷移eep transfer learning process based督的深度遷移學(xué)習(xí)方法有兩數(shù)據(jù)增強處理，圖像數(shù)據(jù)增空間幾何變換對圖像進行旋息的情況下更多尺度的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)本身對高斯噪聲可以采用加入噪聲和調(diào)節(jié)對幾何變換，，像素點變換如圖
【學(xué)位授予單位】：沈陽理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 王偉男;楊朝紅;;基于圖像處理技術(shù)的目標識別方法綜述[J];電腦與信息技術(shù);2019年06期

2 王偉男;周亮;;基于圖像處理技術(shù)的軍事目標識別方法綜述[J];電腦與信息技術(shù);2020年01期

3 李琦;孫桂玲;黃翠;劉頡;常哲;于金花;文洪濤;;基于水聲環(huán)境空間中多模態(tài)深度融合模型的目標識別方法研究[J];海洋技術(shù)學(xué)報;2019年06期

4 李華群;;夜間塔影圖像目標識別方法的仿真研究[J];計算機仿真;2016年12期

5 尚怡君;金保華;張云龍;;基于相關(guān)分析的飛機目標識別方法[J];電子設(shè)計工程;2013年16期

6 許陽;王曉璇;;一種工程化的雙門限輻射源目標識別方法[J];計算機測量與控制;2009年05期

7 左震,張?zhí)煨?汪國有;遠距紅外圖像中橋梁目標識別方法研究[J];電子學(xué)報;1998年11期

8 徐勝榮，李忠興;自然景物中橋梁目標識別方法的研究[J];浙江大學(xué)學(xué)報(自然科學(xué)版);1995年03期

9 李偉生;陳曦;;一種結(jié)合顯著性檢測與詞袋模型的目標識別方法[J];計算機工程與科學(xué);2017年09期

10 宋曦;周蔭清;;一種基于模板匹配的目標識別方法[J];遙測遙控;2010年02期

相關(guān)會議論文 前10條

1 肖懷鐵;郭雷;付強;;一種新的模糊支持矢量機多目標識別方法[A];第十二屆全國信號處理學(xué)術(shù)年會（CCSP-2005）論文集[C];2005年

2 張艷寧;趙榮椿;梁怡;;一種有效的圖像目標識別方法[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（下冊）[C];2002年

3 任文君;蘇開娜;;一種復(fù)雜背景下基于知識的目標識別方法的研究[A];中國圖象圖形科學(xué)技術(shù)新進展——第九屆全國圖象圖形科技大會論文集[C];1998年

4 王清;姜志國;趙丹培;安萌;;一種基于特征區(qū)域的空間有形目標識別方法[A];第八屆全國信號與信息處理聯(lián)合學(xué)術(shù)會議論文集[C];2009年

5 王延求;黎陽;;一種基于方位估計的潛艇目標識別方法[A];2014年水聲對抗技術(shù)學(xué)術(shù)交流會論文集[C];2014年

6 張純;許楓;;基于運動特征的水下蛙人目標識別方法[A];中國聲學(xué)學(xué)會水聲學(xué)分會2011年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2011年

7 劉興潭;武延鵬;;天基空間目標識別方法綜述[A];第二屆中國空天安全會議論文集[C];2017年

8 張榮;王勇;;TM圖像中道路目標識別方法的研究[A];第十四屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2003年

9 陶志國;姜一暉;柳鵬;;基于BP神經(jīng)網(wǎng)絡(luò)的飛機目標識別方法研究[A];'2006系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2006年

10 張冬英;洪津;王峰;駱冬根;邱成峰;;基于灰度直方圖的暗目標識別方法[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

相關(guān)博士學(xué)位論文 前10條

1 楊勇虎;基于雷達信息的海上溢油與小目標識別方法[D];大連海事大學(xué);2018年

2 白豐;基于局部二進制特征描述的衛(wèi)星裝配目標識別方法研究[D];河北工業(yè)大學(xué);2017年

3 裴季方;多視角SAR目標識別方法研究[D];電子科技大學(xué);2018年

4 湯曉;基于復(fù)雜網(wǎng)絡(luò)的圖像目標識別方法研究[D];廣東工業(yè)大學(xué);2013年

5 王鵬輝;基于統(tǒng)計建模的雷達高分辨距離像目標識別方法研究[D];西安電子科技大學(xué);2012年

6 殷飛;基于稀疏學(xué)習(xí)的圖像維數(shù)約簡和目標識別方法研究[D];西安電子科技大學(xué);2014年

7 酈蘇丹;SAR圖像特征提取與目標識別方法研究[D];國防科學(xué)技術(shù)大學(xué);2001年

8 趙炳愛;基于小波分析的高分辨率雷達目標識別方法研究[D];哈爾濱工程大學(xué);2003年

9 聶海濤;基于圖像局部特征的康復(fù)機器人目標識別方法研究[D];中國科學(xué)院研究生院(長春光學(xué)精密機械與物理研究所);2015年

10 李西平;塔機超聲安全預(yù)警目標識別的神經(jīng)網(wǎng)絡(luò)方法研究[D];西安建筑科技大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 馬星;基于特征層融合的三維目標識別方法研究[D];西安工業(yè)大學(xué);2019年

2 雷蕾;線掃激光雷達目標識別方法研究[D];西安工業(yè)大學(xué);2019年

3 閆華清;基于深度網(wǎng)絡(luò)的SAR圖像目標識別方法研究[D];上海交通大學(xué);2017年

4 常鑲石;基于機器學(xué)習(xí)的目標識別方法研究[D];沈陽理工大學(xué);2019年

5 司進修;基于深度學(xué)習(xí)的雷達一維距離像目標識別方法研究與實現(xiàn)[D];電子科技大學(xué);2019年

6 申威;基于機器學(xué)習(xí)的SAR目標識別方法研究[D];電子科技大學(xué);2019年

7 全磊;復(fù)雜環(huán)境下目標識別方法的研究[D];西北師范大學(xué);2018年

8 王汝s

本文編號：2606415