基于卷积神经网络的陆战场目标分类算法研究

• 作 者: 刘英
• 出 处: 电子科技大学
• 发表日期: 2020年01期
• 关键词: 卷积神经网络 残差网络 图像分类 陆战场

科学技术的发展也深刻改变着战场环境,一系列用于侦察的先进设备——高精度卫星、无人机等的普及运用使得人们可以轻易地获取大量的目标图像。如何高效利用这些图像来迅速区分、定位敌我目标已成为当前军事科学研究领域的前沿研究方向。卷积神经网络作为目前深度学习、计算机视觉领域最有效的手段之一,可以将原始数据直接作为输入,简化了解决问题的流程,同时也为数据保留了更多有用信息,在物体分类、目标检测、图像分割等问题中都有非常广泛的应用。随着网络深度的加深,卷积神经网络面临着梯度消失的问题。残差网络将残差学习机制引入卷积神经网络,有效地解决了梯度消失问题,使网络深度变得更深。在此背景下,本学位论文研究了基于卷积神经网络的陆战场目标分类算法,设计了一种卷积网络模型分类履带式坦克和轮式坦克,设计了一种基于Gabor卷积的聚合残差网络分类几种常见陆战场目标。论文主要工作与贡献总结如下:第一,基于改进的AlexNet网络设计了一种适用于履带式坦克和轮式坦克图像的分类算法。该算法模型使用3×3大小的卷积核提取特征。池化层采用非重叠池化策略,池化核大小为2×2,池化步长为2,在缩小特征图减少网络计算量的同时也可以降低像素之间的相关性。为加速网络收敛,该模型引入了批规范化技术。该算法使用数据增强技术扩充数据集,包括旋转、随机擦除等,在一定程度上缓解了过拟合问题。在自建的履带式坦克和轮式坦克图像数据集上,该算法获得了93.2%的分类准确率,比AlexNet网络模型提高了7.2个百分点。相比于传统的基于雷达数据的履带式轮式坦克分类算法,该算法提高了0.7个百分点。第二,将Gabor卷积引入聚合残差模块构建新的残差模块,提出了基于Gabor卷积的聚合残差网络(GaborResNeXt),并设计了基于GaborResNeXt的目标分类算法。通过实验对比分析表明,该算法能取得较高的分类准确率。在含100类的ImageNet数据集上,该算法获得了88.12%的准确率,相比于ResNeXt提高了1.38个百分点。在六类常见陆战场目标图像数据集上,该算法取得了88.33%的分类准确率,比ResNeXt50提高了1.63个百分点,在几种分类模型中取得了最高的分类准确率。预训练的GaborResNeXt模型在陆战场目标图像数据集上的分类准确率甚至达到了92.72%。上述研究成果已撰写完成一篇学术论文,该成果已被国际学术会议录用。