没有合适的资源?快使用搜索试试~ 我知道了~
基于筛选深度特征的红外图像目标识别方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 143 浏览量
2022-12-15
14:30:58
上传
评论
收藏 164KB DOCX 举报
温馨提示
试读
8页
基于筛选深度特征的红外图像目标识别方法.docx
资源推荐
资源详情
资源评论
0. 引 言
随着红外传感元器件和红外成像技术的发展,高分辨率红外图像在军事和民用领域得
到广泛运用
[1-5]
。在民用领域,红外夜视仪、夜间交通管控系统等设施设备发挥了重要作
用。在军事领域,基于红外成像的导弹末制导系统具有精度高、针对性强等特点。红外图
像目标识别技术可依托观测图像获取感兴趣目标的所属类别,为情报解译提供支撑。红外
目标识别方法一般区分特征提取和分类决策两个阶段。根据现有文献,红外目标识别方法
中涉及的特征包括几何外形、局部纹理、像素分布特性等
[6-9]
。分类过程中,根据提取得到
的特征进行分类器的选择或设计,典型代表包括支持向量机(SVM)
[10]
、稀疏表示分类
(SRC)
[11]
等。深度学习理论的出现和发展为信号处理、图像分析提供了重要手段。特别
地,在图像识别领域,以卷积神经网络(CNN)为代表的深度学习模型成为炙手可热的工
具,并验证了其有效性。参考文献[12-14]就针对红外图像目标识别问题设计了深度网络模
型并进行了应用。特别地,参考文献[14]以某卷积神经网络为基础对红外图像进行特征提
取,将各个卷积层输出的特征图进行处理,获取相应的深度特征矢量。最后,采用联合稀
疏表示模型对多层次深度特征进行联合决策。相比传统直接应用深度模型进行端到端分类
的方法相比,多层次深度特征的联合运用进一步提高了识别性能,反映了方法的有效性。
文中提出基于筛选深度特征的红外图像目标识别方法,主要是对参考文献[14]中联合
深度特征方法进行两个方面的改进优化。一方面,采用 ResNet 替换参考文献[14]中的卷积
神经网络。根据现有文献报道,ResNet 通过引入残差学习算法可显著提高深度网络的稳健
性
[15-16]
。相比一般的卷积神经网络,ResNet 输出的多层次深度特征具有更强的鉴别力。另
一方面,对于 ResNet 各个卷积层输出的深度特征矢量,基于斯皮尔曼等级相关系数
[17-18]
评
价它们与原始图像的相关性,进而合适的门限选取若干相关性较高的深度特征矢量。最
终,基于联合稀疏表示模型
[14,19]
对选取的多层次深度特征矢量进行表征分类,获取决策结
果。与参考文献[14]中利用全部深度特征矢量的算法相比,文中通过有效的特征筛选可以
提出部分冗余甚至负面信息,从而提高分类的精度和效率。因此,通过充分运用 ResNet 学
习得到的深度特征,文中方法可以进一步提高红外图像识别性能。实验中,采用公开的中
波红外目标图像数据集(MWIR)对设计方法进行测试和分析,分别在原始样本、噪声样
本和遮挡样本三类情形下与部分现有方法进行对比。实验结果反映了提出方法的有效性和
稳健性。
1. 基于 ResNet 的深度特征学习
ResNet 作为一种代表性的卷积神经网络,在图像分割、分类识别等领域得到了广泛应
用和验证
[15-16]
。与一般的卷积神经网络相比,ResNet 能够随着网络层数的增加,获得更佳
丰富的深度特征,同时可避免梯度消失问题。假设 H(x)H(x)为最佳映射,利用堆叠的非线
资源评论
罗伯特之技术屋
- 粉丝: 3684
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功