近年來,隨著戰(zhàn)場信息化程度不斷提高,各類傳感器采集的圖像情報數(shù)量不斷增加,圖像情報目標檢測和場景識別已經成為軍事領域的研究熱點。針對海量的圖像情報數(shù)據,利用計算機提取圖像情報中的目標場景要素,將其轉化為結構化或半結構化數(shù)據,是戰(zhàn)場情報數(shù)據挖掘中的重要一步,對于輔助指揮員決策、掌握戰(zhàn)場主動權具有十分重要的意義。根據上述實際需求,本文借鑒在圖像識別領域廣泛應用的卷積神經網絡框架,針對軍事圖像的具體特點,研究了以卷積神經網絡為基礎的軍事圖像目標檢測和場景識別方法,具體的研究內容包括以下幾個方面:1.設計了基于Mask R-CNN的軍事圖像目標檢測框架。本文通過對軍事圖像目標檢測任務與普通自然圖像目標檢測任務的分析與對比,將目前目標檢測領域的主流框架Mask R-CNN應用于軍事圖像目標檢測任務中,并對Mask R-CNN框架的Anchor比例、目標區(qū)域閾值、置信度閾值幾個方面做出改進。2.設計了基于層凍結遷移學習的訓練方法對Mask R-CNN網絡進行訓練。本文根據軍事圖像目標檢測訓練數(shù)據缺乏的現(xiàn)狀,結合遷移學習理論,設計了基于Mask R-CNN和遷移學習的軍事圖像目標檢測框架,使用層凍結... 

【文章來源】：國防科技大學湖南省 211工程院校 985工程院校

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【部分圖文】：

本文組織結構

人工神經網絡(Arti?cial Neural Network,ANN)是近年來人工智能和機器視覺領域的研究熱點。它根據生物神經網絡的基本原理,以網絡拓撲知識為基礎,從信息處理的角度對生物神經網絡進行抽象,通過神經元相連組成網絡,形成一種數(shù)學模型。神經網絡是一個由大量神經元組成的非線性復雜網絡。神經網絡中的每個神經元表示一種特定的輸出函數(shù),即位激活函數(shù)(Activation Function),神經元與神經元之間的連接表示連接信號的加權值,即位權重(Weight),代表相互連接的兩個神經元之間相互作用的強弱。神經網絡就是通過神經元的輸入輸出傳遞信號,從外部環(huán)境中獲取知識,并通過內部神經元的連接強度存儲獲取的知識,達到模擬人腦的目的。因此,網絡的結構、連接方式、權重和激活函數(shù)決定網絡最終的輸出。神經網絡中最基本的網絡結構是感知機,它只包含一個神經元,只接收一個輸入,并通過感知機產生一個輸出,采用閾值函數(shù)作為激勵函數(shù)。在訓練過程中通過不斷迭代至收斂得到最終的感知機模型。感知機示意圖如圖2.1所示:圖中感知機的輸入包括四個部分:x1,x2,x3和截距項b,w0,w1,w2,w3代表權重,輸入各分量分別與對應的權重相乘并求和,所得結果通過一個非線性閾值函數(shù),得到最終輸出結果h,其輸出的計算公式如公式2.1所示:

其中xi表示輸入向量,Wi表示對應的權重,b為截距項,表示神經元之間傳遞的信息。f表示激活函數(shù),常用的激活函數(shù)有sigmoid函數(shù)和tanh函數(shù),它們的計算公式分別如公式2.2,公式2.3所示,其函數(shù)圖像如圖2.2所示。近年來在圖像分類與識別領域中,使用最多的函數(shù)是修正線性單元(recti?ed linear unit,ReLU)函數(shù),其計算公式2.4所示,函數(shù)圖像如圖2.3所示。


本文編號：3567101