針對目標識別需求,對基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法展開研究。由于深度學(xué)習(xí)模型中包含了對數(shù)據(jù)的先驗假設(shè),因此人工設(shè)計神經(jīng)網(wǎng)絡(luò)需要領(lǐng)域內(nèi)專家豐富的先驗知識,且具有勞動密集與時間成本高的缺點。為了獲得超越專家個人經(jīng)驗、表現(xiàn)更好的網(wǎng)絡(luò),采用一種可微神經(jīng)結(jié)構(gòu)搜索的高效結(jié)構(gòu)搜索方法,將搜索空間放寬為連續(xù)的空間,然后通過梯度下降來優(yōu)化體系結(jié)構(gòu)的驗證集性能,從而找到面向目標識別的最優(yōu)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。仿真實驗結(jié)果表明,將基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索的目標識別方法應(yīng)用于"低慢小"類目標識別是可行的。 

【文章來源】：空軍工程大學(xué)學(xué)報(自然科學(xué)版). 2020,21(04)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

網(wǎng)絡(luò)層數(shù)為8的縮小單元

網(wǎng)絡(luò)層數(shù)為12的正常單元

訓(xùn)練數(shù)據(jù)對基于深度學(xué)習(xí)的目標識別至關(guān)重要。針對城市中常見的飛行物類型，本文通過網(wǎng)絡(luò)收集與實際拍攝，收集了豐富的目標影像數(shù)據(jù)，包括3類目標：固定翼無人機、多旋翼無人機與飛鳥，各1 000張。影像分辨率固定為256×256，以jpg格式保存。數(shù)據(jù)集實例見圖1。4.1 結(jié)構(gòu)搜索得到的正常單元和縮小單元


本文編號：3608162