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

1、在現(xiàn)代戰(zhàn)場環(huán)境中，敵方目標探測和識別一直是一個非常重要的問題。傳統(tǒng)目標識別方案主要依靠雷達系統(tǒng)、毫米波、激光等手段區(qū)分敵我目標，容易受電磁干擾影響且成本較高。近年來，隨著深度學習理論的日趨成熟，各種基于深度學習的應用在各個不同領域層出不窮。卷積神經(jīng)網(wǎng)絡作為目前計算機視覺領域最有效的手段之一，在物體分類、圖像分割等問題中都有非常廣泛的應用。為此，本文開展了一系列基于深度學習的飛行器圖像識別算法研究。
　　本文基于TensorFlow

2、研究飛行器識別的卷積神經(jīng)網(wǎng)絡及其算法。文中算法無需將目標物體從背景中分離出來，雨將飛行器的目標識別任務分成兩個部分:候選區(qū)域生成和飛行器分類。對于候選區(qū)域生成問題，借鑒faster-rcnn的思路提出并構建一個候選區(qū)域提取網(wǎng)絡。該網(wǎng)絡通過對各幅圖像批量生成候選框，并對候選框先用卷積神經(jīng)網(wǎng)絡優(yōu)化區(qū)域位置和尺寸得到分類概率，再生成代價函數(shù)后通過反向求導優(yōu)化網(wǎng)絡參數(shù)。另外，文中基于層次聚類提出一種候選區(qū)域篩選算法，通過預先篩選候選區(qū)域大幅降低

3、測試運行時間。在飛行器分類方面，提取幾類常見的飛行器目標，基于AlexNet設計圖像分類網(wǎng)絡，且將原網(wǎng)絡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題;并使用遷移學習的方法解決有標簽樣本稀缺的情況下網(wǎng)絡訓練困難的問題;通過數(shù)據(jù)增強、批歸一化等措施進一步改善分類效果。
　　最后，文中進行基于深度學習的飛行器目標識別網(wǎng)絡訓練和實驗驗證研究。文中從網(wǎng)絡中獲取了ImageNet圖像數(shù)據(jù)庫中5類飛行器圖像，對各類圖像分別做圖像