基于深度学习的地面军事目标识别技术研究

发布时间：2024-03-03 18:51

　　目前,基于深度学习的民用目标识别技术已经比较完善,但由于军事系统的安全性、保密性要求以及军事目标的复杂性,地面军事目标武器装备种类的识别,目前还是该领域中的重点。由于目前装备的现代化升级,在作战以及演练中,通过部署在各型号装备上的不同图像采集设备,可以获取到不同场景,不同时间下的大量图像,如何将采集到的大量图像进行快速、高效的自动识别,在未来军事演习以及战场环境下的侦察活动具有十分重要的战术意义,而最近几年,深度学习技术发展迅猛,使得根据采集图像对地面军事目标的种类识别成为可能。本文提出了一种基于深度学习的地面军事目标识别算法--IRSE算法,该算法通过对原有卷积神经网络模型以及对权重优化算法的改进实现。而为了完成网络结构的优化,参考了几种目前比较常用于目标识别任务的网络模型,如Inception V1、Inception V2、ResNet、VGGNet并以Inception V2为基础网络模型,通过在基础网络结构后添加SE模块,对经过卷积层特征提取后的图像特征进行权重重新分配,以及添加残差网络模块学习网络的特征差值,以减小网络的整体参数,并使用Adabound算法替代SGD作为本文...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的背景及意义
    1.2 国内外研究现状
        1.2.1 国外军事目标识别研究现状
        1.2.2 国内军事目标识别研究现状
        1.2.3 深度学习目标识别研究现状
    1.3 本文研究内容及论文章节结构
第2章 基于CNN的图像识别
    2.1 卷积神经网络基本理论
    2.2 soft Max分类器
    2.3 损失函数
    2.4 正则化
    2.5 权重初始化
    2.6 本章小结
第3章 基于深度学习的地面军事目标识别
    3.1 深度学习
        3.1.1 算法结构
        3.1.2 Res Net
        3.1.3 SE模块
        3.1.4 BN算法
        3.1.5 迁移学习
    3.2 本文主要使用的几种网络模型
    3.3 网络结构优化设计
    3.4 实验结果与分析
        3.4.1 实验数据集
        3.4.2 实验结果
    3.5 本章小结
第4章 权重优化算法研究
    4.1 卷积神经网络中的学习率
    4.2 典型的深度学习模型优化算法
    4.3 实验结果与分析
    4.4 本章小结
第5章 系统设计与实现
    5.1 系统设计
        5.1.1 系统开发环境
        5.1.2 需求分析
        5.1.3 系统功能模块设计
        5.1.4 研发框架
        5.1.5 系统用例模型
    5.2 系统实现
    5.3 本章小结
第6章 总结与展望
参考文献
在学研究成果
致谢



本文编号：3918229