針對(duì)戰(zhàn)場軍事車輛分類等任務(wù)的可供訓(xùn)練樣本較少的車型分類任務(wù),在Alex Net網(wǎng)絡(luò)的基礎(chǔ)上引入多尺度分支的思想,設(shè)計(jì)了多尺度特征提取卷積神經(jīng)網(wǎng)絡(luò)。仿照戰(zhàn)場軍用車輛數(shù)據(jù)集的特點(diǎn),構(gòu)建了復(fù)雜背景下多角度、多尺度、類間差異小、類內(nèi)差異大的10類較細(xì)粒度車型分類數(shù)據(jù)集。所提出的方法在實(shí)驗(yàn)平臺(tái)上達(dá)到了每張圖片0.003 s的分類識(shí)別速度,依據(jù)算力計(jì)算具有嵌入式實(shí)時(shí)性應(yīng)用的可能。結(jié)合自適應(yīng)學(xué)習(xí)率等方法,在小樣本車型分類數(shù)據(jù)集上實(shí)現(xiàn)了最高92%的分類準(zhǔn)確率,同等實(shí)驗(yàn)條件下分類性能和訓(xùn)練速度均優(yōu)于主流卷積神經(jīng)網(wǎng)絡(luò)Alex Net。提出的多尺度特征提取卷積神經(jīng)網(wǎng)絡(luò)在智能彈藥或無人機(jī)進(jìn)行軍用車輛識(shí)別和部分民用場景等小樣本車型分類場景中具有應(yīng)用價(jià)值。 

【文章來源】：兵器裝備工程學(xué)報(bào). 2020,41(08)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

坦克圖像局部性

同類車輛具有相同的特征，雖然可能位于圖片中不同的位置，但是檢測這些特征的模式是一致的。并且對(duì)于車輛目標(biāo)圖片，進(jìn)行下采樣操作完成圖片縮放后圖片的性質(zhì)基本保持不變。基于這樣的識(shí)別特性，Alex Net的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。輸入圖像為大小227×227像素的三通道數(shù)字圖像，經(jīng)過卷積層(Convolutional Layer,Conv)，池化層(Pooling Layer,Poo L)和全連接層(Full Connected Layer,FC)構(gòu)成的前向傳播通道，最終輸出各類別的得分，依據(jù)得分高低來判斷圖像的種類。

卷積層是對(duì)每個(gè)通道的二維圖像數(shù)據(jù)進(jìn)行卷積操作，卷積操作由卷積核完成，如圖3所示。卷積核是由可學(xué)習(xí)的參數(shù)集合的濾波器，通過卷積核在輸入圖像上按照一定步長進(jìn)行滑動(dòng)，依次通過卷積計(jì)算出特征映射神經(jīng)元并組合成特征圖(feature maps)。二維卷積公式為

【參考文獻(xiàn)】：
期刊論文
[1]一種基于支持向量機(jī)中分離超平面求取的算法[J]. 易校石,劉念.  重慶工商大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[2]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[3]深度卷積神經(jīng)網(wǎng)絡(luò)的汽車車型識(shí)別方法[J]. 張軍,張婷,楊正瓴,朱新山,楊伯軒.  傳感器與微系統(tǒng). 2016(11)
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識(shí)別研究[J]. 鄧柳,汪子杰.  計(jì)算機(jī)應(yīng)用研究. 2016(03)
[5]Jetson TK1平臺(tái)實(shí)現(xiàn)快速紅外圖像背景預(yù)測算法[J]. 吳鑫,張建奇,楊琛.  紅外與激光工程. 2015(09)

碩士論文
[1]基于深度學(xué)習(xí)的車型識(shí)別[D]. 應(yīng)晨露.中國科學(xué)技術(shù)大學(xué) 2018
[2]深度學(xué)習(xí)算法在高光譜影像分類中的應(yīng)用研究[D]. 郭守恒.成都理工大學(xué) 2017



本文編號(hào)：3529538