论文部分内容阅读
自动目标识别(ATR)技术一直是军事应用领域中急需解决的重点和难点,其中光电探测是现代预警探测情报网中的关键探测途径之一。在实际作战中,通过部署在不同武器装备平台上的光电设备,可以获得不同类型、不同时机、不同分辨率的海量图像、视频数据,如何在这些采集到的图像、视频大数据中实现快速、精准的军事目标识别,提高作战系统的军事目标识别能力,具有十分重要的意义。得益于大数据、云计算和人工智能技术的发展,尤其是以深度学习算法为基础的智能目标识别技术的进步,利用机器智能的对军事目标自动识别分析成为了可能。基于上述分析,本文展开了基于深度学习的军事目标识别技术研究,主要完成的工作如下:(1)提出一种基于深度学习的目标识别算法——DRFCN算法。不同于传统深度网络模型单向连接的建模方法,该算法通过卷积模块稠密连接的方式,复用了深度网络模型中每一层的特征,极大的提高了深度网络模型的特征表达能力。实验结果表明:在目标识别平均准确率和深度网络模型大小两个方面,DRFCN算法均明显优于已有基于深度学习的目标识别算法。与此同时,DRFCN算法在解决梯度弥散、梯度膨胀方面效果显著。(2)在完成DRFCN算法模型构建后,文章首先在PASCAL VOC目标识别标准数据集上对DRFCN算法做了实验仿真;其次,利用实际作战环境中采集到的图像、视频资源,仿照PASCAL VOC数据集的格式,标记了一个同等规模的应用于军事目标识别的数据集;最后,利用自建的军事目标数据集对DRFCN算法进行了实验验证及分析;(3)完成上述理论研究和实验仿真后,文章综合利用Flask、Bottle、Sqlite、Caffe、CUDA、C++、Python、Nsight-eclipse等开发工具和语言,设计并实现了一个基于DRFCN算法的军事目标识别原型系统。该系统具有图片中军事目标识别、视频中军事目标识别等功能模块,文章通过不同的应用场景对系统做了测试。