导读:本文包含了目标自动识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:目标,卷积,神经网络,孔径,深度,自动识别,图像。
目标自动识别论文文献综述
李士国,张瑞国,孙晶明,孙俊[1]（2019）在《基于深度学习的雷达自动目标识别架构研究》一文中研究指出针对深度学习运用于雷达目标识别时存在的数据量欠缺和数据人工标注难等问题,提出将传统目标识别方法与人工智能技术结合,建立面向应用的新的目标识别架构,通过融合处理以及基于传统方法的机器自动标注,获得更优越的识别效果,大幅减少人工标注的工作量,确保系统在低数据量、低标注数据下仍可维持一定的识别效果。雷达实测数据证明了该识别框架的有效性。(本文来源于《现代雷达》期刊2019年11期）
连婷婷[2]（2019）在《民用航空区域危险目标自动识别方法研究》一文中研究指出针对传统危险目标识别方法未对危险目标证据进行融合,导致识别结果准确性差的问题,提出基于D-S理论的民用航空区域危险目标自动识别方法。采用ISAR与傅里叶变换实现民用航空区域目标瞬时成像。基于成像结果,引入D-S理论实现危险目标自动识别。通过Harris提取目标特征,利用Mean-Shift对目标进行跟踪,根据D-S理论识别跟踪结果,引入民用航空区域目标危险程度概率赋值函数得到目标危险的概率,通过D-S组合规则合成目标危险证据,基于危险目标证据的融合实现危险目标自动识别。通过实验对所提方法进行验证,实验结果表明,该方法识别精度高,具有可行性。对于民用航空安全管理提出的建议为:掌握整体形势,创新安全管理的相关理念及构建较为完善的民用航空安全管理体系两方面,力求为民航发展提供理论支撑。(本文来源于《环境技术》期刊2019年05期）
焦安波,邵立云,李晨曦,马俊凯,王学娟[3]（2019）在《基于直线组仿射不变特征的自动目标识别算法》一文中研究指出为了提高基于异源模板匹配的自动目标识别方法的精度和准确率,提出了一种采用直线组几何基元的图像匹配算法,该算法利用直线组表示目标,利用直线组中各条直线构成的叁角形面积之比作为描述直线组的特征量,在所有候选直线组中找到与目标匹配的最佳直线组,并确定组内直线的一一对应关系,求出模板图与实时图中的同名点,最后利用同名点检测出实时图中目标的位置;此外,还提出了一种在实时图中进行直线提纯的方法。该方法可以提出实时图中的主要直线,为文中所提算法的精确性提供了保障。实验结果表明:文中提出方法具有较高的匹配精度和准确率。(本文来源于《红外与激光工程》期刊2019年S2期）
史珊珊,史鹤欢[4]（2019）在《基于卷积自动编码器的飞机目标识别方法》一文中研究指出飞机目标标签数据不足,使传统的机器学习算法训练效率不足。为提升训练效率提高飞机目标识别率,提出一种由卷积自动编码器(Convolutional Auto-Encoder,CAE)、哈希变换及直方图统计组成的简单多层特征提取模型。该模型利用CAE非监督训练一组卷积滤波器,与输入数据卷积提取特征;并再次利用CAE训练卷积滤波器集合,提取卷积特征;对所得到的卷积特征进行哈希变换和直方图统计;用支持向量机识别分类。实验对飞机目标取得了较高的识别率,表明特征提取模型具有很强的鲁棒性。(本文来源于《火力与指挥控制》期刊2019年08期）
张中伟,付泱,刘辉[5]（2019）在《无人机自动目标识别算法研究综述》一文中研究指出自动目标识别(Automatic Target Recognition,ATR)技术是航空领域应用的关键技术组成部分,特别是对于未来无人机系统执行战场侦察监视、目标跟踪打击等任务具有巨大的军事应用价值。本文介绍了无人机侦察图像ATR技术应用原理,对现有的ATR算法进行分类并介绍相关无人机应用的研究现状。本文还简要介绍了典型ATR算法评估指标和相关方法,最后对未来无人机应用的研究方向进行展望。(本文来源于《2019年（第四届）中国航空科学技术大会论文集》期刊2019-08-15）
张桂良,潘军,宋智伟,张思航[6]（2019）在《基于光谱指数的高温目标遥感自动识别方法》一文中研究指出高温目标的光谱特性与常温目标具有明显差异,可以利用短波红外波段(1.3～3.0μm)提取高温目标,但在对影像进行大面积提取时一般的提取方法的提取结果中总会夹杂大量建筑区域的彩钢屋顶干扰像元。为了解决大面积提取高温目标时彩钢屋顶易被错误提取的问题,通过模拟实验研究高温目标与彩钢屋顶的光谱特性差异,采用可分性度量指标方法,获得区分高温目标与彩钢屋顶的特征波段,建立判别指数,实现对高温目标和彩钢屋顶的区分。结果表明,该方法能够有效区分高温目标与彩钢屋顶,其区分精度能够达到96.70%。(本文来源于《北京测绘》期刊2019年07期）
陈宇鹏[7]（2019）在《基于深度学习的自动驾驶单目视觉目标识别技术研究》一文中研究指出随着汽车保有量的迅猛增加,人民群众的日常生活便利性得到了提升。然而交通拥堵、环境污染和交通事故也越来越得到人们的广泛关注。近些年电子信息和计算机技术得到了快速发展。伴随着人工智能技术在车辆上的应用,自动驾驶车辆将成为减少交通事故的有效途径之一。自动驾驶车辆关键技术包括环境感知、精确定位、路径规划和线控执行四类,其中环境感知技术为其它关键技术提供数据支撑。环境感知技术主要负责完成车辆周围环境信息采集和目标识别工作。单目相机由于具备结构简单和计算量小等优点而被广泛使用。由于传统单目视觉环境感知算法主要依靠先验知识来设计模型,因此这类算法的泛化能力不强。而基于深度学习的单目视觉环境感知算法生成的模型却可以适用于多类目标,泛化能力得到显着提升。所以本文着重研究基于深度学习的自动驾驶单目视觉目标识别技术。近年来,极速区域卷积神经网络(Faster Region-based Convolutional Network,Faster R-CNN)在解决目标识别问题方面取得了优异的实验结果。该算法提出了区域候选框网络(Region Proposal Network,RPN),RPN能够通过不同缩放面积和宽高比的锚框来有效地生成区域候选框。本文基于Faster R-CNN算法提出了3种单目视觉目标识别算法,主要工作和创新点如下:(1)本文提出了一个基于多策略区域候选框网络(Multi-strategy Region Proposal Network,MSRPN)的目标识别算法。MSRPN包括4个改进点:首先为了加强卷积网络的特征采样和池化能力,设计了跨层连接网络特征提取方法。其次引入具备自适应宽高比和均匀分布缩放面积特性的锚框,通过使用该锚框来减少区域候选框数量并提高算法目标定位能力。特别是通过应用改进锚框提升了小目标识别能力。随后将框分类层和框回归层合并为一个卷积层来减少输出层模型参数,因而提升了RPN训练和测试速度。最后为了改善框回归性能,对RPN中多任务损失函数的框回归部分进行了优化。(2)以MSRPN部分设计理念为基础,本文提出了一种基于增强型区域候选框网络(Enhanced Region Proposal Network,ERPN)的目标识别算法。ERPN改进内容包括:首先通过反卷积特征金字塔网络将卷积网络上下文信息引入卷机网络顶层输出特征中,从而提高了输出区域候选框质量。其次设计了具有间隔缩放面积和自适应宽高比的改进锚框,提高了区域候选框的目标定位能力。再次使用支持向量机(Support Vector Machine,SVM)分类器对正区域候选框和负区域候选框进行分类来提升分类精度。同时使用粒子群优化算法(Particle Swarm Optimization,PSO)对SVM参数进行优化,简称为PSO-SVM分类器。ERPN基于该分类器的分类能力得到显着提高。最后通过对RPN中多任务损失函数的分类部分进行改进,提高了分类损失函数的性能。(3)RPN中的部分参数数值是通过先验知识进行选取,因此在RPN的训练模型中很可能出现欠拟合问题,换句话说RPN的泛化能力不足。在RPN中增加参数是解决该问题的有效方法。为此设计了一个强化区域候选框网络(Strengthened Region Proposal Network,SRPN)来扩展RPN的探索空间,然而获取SRPN的最优参数值不是一个确定多项式时间内可解决的问题。为了解决该问题,本文引入基于PSO和细菌觅食优化算法(Bacterial Foraging Optimization,BFO)的学习策略来完成对SRPN参数的优化工作。为验证本文提出目标识别算法的有效性,分别使用通用目标识别数据集和自动驾驶目标识别数据集对这些算法进行训练和测试。本文提出的算法在目标识别速度和准确率方面均取得了较好的结果。说明这些算法既适用于通用物体识别,也适用于自动驾驶领域。因此本文提出的基于深度学习的自动驾驶单目视觉目标识别技术具有一定的理论意义和应用价值。(本文来源于《吉林大学》期刊2019-06-01）
王亚东[8]（2019）在《基于复数全卷积神经网络的SAR自动目标识别》一文中研究指出合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率成像雷达,不受光照和气候条件等的影响,可以全天时、全天候监测目标,在资源勘探、灾害监测以及目标追踪等民用、军事等领域具有重要作用。SAR自动目标识别作为一种解译SAR图像的有效手段,一直以来是各国的研究热点。近年来,随着深度学习的迅速发展,卷积神经网络(Convolutional Neural Network,CNN)等深度学习方式被广泛应用于SAR自动目标识别。本文在CNN的基础上,深入地研究了全卷积神经网络(Fully Convolutional Neural Network,FCNN),并将FCNN框架扩展到复数全卷积神经网络(Complex-valued Fully Convolutional Neural Network,CV-FCNN)。为了在少量样本情况下获取较高的目标识别率,又研究了将改进的卷积自编码器(Improved Convolutional Auto-Encoder,ICAE)和FCNN相结合的SAR自动目标识别方法,并进一步扩展到CV-FCNN框架中。论文主要工作如下:(1)针对包含幅度和相位信息的MSTAR数据集的目标识别问题,提出了CV-FCNN框架,并在CV-FCNN的基础上添加卷积核大小为1×1的卷积层作为中间网络,以增强复数卷积层中局部感受野的非线性运算。实验结果表明,MSTAR十类目标的平均正确识别率达到了99.71%。(2)针对SAR目标识别中已标注数据样本少的问题,提出了一种基于FCNN和ICAE的SAR目标识别方法,并进一步扩展到CV-FCNN框架。实验结果表明,训练样本不扩充的情况下,采用MSTAR幅度信息的十类目标的平均正确识别率达到了98.14%,采用包含幅度和相位信息的复数MSTAR的十类目标的平均正确识别率达到了99.18%。此外,实验结果还表明该方法具有一定的抗噪声能力。(本文来源于《江西理工大学》期刊2019-05-01）
薛媛[9]（2019）在《基于深度神经网络的SAR自动目标识别方法研究》一文中研究指出合成孔径雷达自动目标识别(Synthetic Aperture Radar Automatic Target Recognition,SAR ATR)可以在短时间内从大幅SAR图像中准确定位高价值目标,提取分类识别特征并给出类别预测,在军事和民用领域都有重要的应用价值,已成为国内外研究的热点问题。本文围绕深度神经网络SAR目标识别问题,重点研究了基于神经网络集成和深度迁移学习的SAR目标识别方法。主要内容为:1.针对单个网络信息挖掘能力有限,提出了异构卷积神经网络集成SAR目标识别方法。通过构建多个异构网络对SAR图像进行特征学习,增强了网络对分类识别信息的提取能力,降低了网络训练陷入局部最优的风险,有效提升了识别的准确性和稳定性。2.针对小样本下网络识别能力下降的问题,研究了卷积神经网络微调SAR目标识别方法。利用源域预训练模型的参数进行网络初始化,缓解了训练样本不足导致的网络泛化能力低下,有效提升了网络的训练效率和目标识别能力。3.针对源域数据与SAR图像数据差异较大时迁移效率低下的问题,对卷积神经网络微调SAR目标识别方法进行改进,提出了域对抗微调SAR目标识别方法。利用域对抗的思想对预训练模型的参数进行调整,充分发掘源域目标图像与SAR目标图像的公共特征空间,进一步提升了小样本情况下的SAR目标识别性能。以上研究内容均通过仿真实验验证其可行性,能够实现准确高效的SAR目标识别。(本文来源于《电子科技大学》期刊2019-03-01）
张强[10]（2018）在《SAR图像自动目标识别技术分析》一文中研究指出合成孔径雷达(SAR)图像自动目标识别(ATR)是SAR图像解译的关键技术之一,其旨在获取感兴趣区域可能包含的目标类别,为战场情报分析提供有力支撑。文中在广泛阅读相关文献的基础上,从基于模板和基于模型两个方面对现有的SAR图像目标识别方法进行了较为全面的综述,对该方向的主要研究结论进行了归纳总结。同时,针对SAR图像目标识别的潜在方向进行了展望。(本文来源于《信息技术》期刊2018年12期）
目标自动识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对传统危险目标识别方法未对危险目标证据进行融合,导致识别结果准确性差的问题,提出基于D-S理论的民用航空区域危险目标自动识别方法。采用ISAR与傅里叶变换实现民用航空区域目标瞬时成像。基于成像结果,引入D-S理论实现危险目标自动识别。通过Harris提取目标特征,利用Mean-Shift对目标进行跟踪,根据D-S理论识别跟踪结果,引入民用航空区域目标危险程度概率赋值函数得到目标危险的概率,通过D-S组合规则合成目标危险证据,基于危险目标证据的融合实现危险目标自动识别。通过实验对所提方法进行验证,实验结果表明,该方法识别精度高,具有可行性。对于民用航空安全管理提出的建议为:掌握整体形势,创新安全管理的相关理念及构建较为完善的民用航空安全管理体系两方面,力求为民航发展提供理论支撑。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
目标自动识别论文参考文献
[1].李士国,张瑞国,孙晶明,孙俊.基于深度学习的雷达自动目标识别架构研究[J].现代雷达.2019
[2].连婷婷.民用航空区域危险目标自动识别方法研究[J].环境技术.2019
[3].焦安波,邵立云,李晨曦,马俊凯,王学娟.基于直线组仿射不变特征的自动目标识别算法[J].红外与激光工程.2019
[4].史珊珊,史鹤欢.基于卷积自动编码器的飞机目标识别方法[J].火力与指挥控制.2019
[5].张中伟,付泱,刘辉.无人机自动目标识别算法研究综述[C].2019年（第四届）中国航空科学技术大会论文集.2019
[6].张桂良,潘军,宋智伟,张思航.基于光谱指数的高温目标遥感自动识别方法[J].北京测绘.2019
[7].陈宇鹏.基于深度学习的自动驾驶单目视觉目标识别技术研究[D].吉林大学.2019
[8].王亚东.基于复数全卷积神经网络的SAR自动目标识别[D].江西理工大学.2019
[9].薛媛.基于深度神经网络的SAR自动目标识别方法研究[D].电子科技大学.2019
[10].张强.SAR图像自动目标识别技术分析[J].信息技术.2018