改进YOLO v2的装甲车辆目标识别

被引：12

作者：

王曙光

吕攀飞

机构：

[1] 中国人民解放军陆军炮兵防空兵学院兵器工程系

来源：

计算机与现代化 | 2018年 / 09期

关键词：

装甲目标识别; 维度聚类; YOLO v2; anchor;

D O I：

暂无

中图分类号：

E91 [军事技术基础科学]; TP391.41 [];

学科分类号：

080203 ;

摘要：

军事目标识别技术是军事信息处理的一个重要内容,对于实现军事装备信息化、智能化起着不可忽视的作用。近年来随着深度卷积神经网络在图像识别领域的广泛应用,各种基于图像目标识别任务的网络结构层出不穷,因此将这项新技术应用于军事目标的识别具有极强的现实意义和军事应用价值。本文以目前具有最佳识别效果的YOLO v2网络为基础,通过维度聚类重新确定最优的anchor个数及其宽高维度,并制作以明显特征为目标区域的装甲车辆数据集,使得该网络对装甲目标的识别更为精确。通过实验验证,该方法能有效地对特定装甲目标进行实时精确识别。

引用

页码：68 / 71+79 +79

页数：5

共 10 条

[1] YOLO9000:Better,Faster,Stronger. Redmon J,Farhadi A. https://arxiv.org/pdf/1612.08242v1.pdf . 2016
[2] 最优聚类个数和初始聚类中心点选取算法研究
张素洁
赵怀慈
[J]. 计算机应用研究, 2017, 34 (06) : 1617 - 1620
[3] Fast R-CNN. Girshick R,Girshick R. Proceedings of the International Conference on Computer Vision . 2015
[4] Deep Neural Networks for Acoustic Modeling in Speech Recognition. Geoffrey Hinton,Li Deng,Dong Yu. IEEE Signal Processing Magazine . 2012
[5] Faster R-CNN: Towards real-time object detection with region pro-posal networks. Ren S,He K,Girshick R, et al. Advances in Neural Information Processing Systems . 2015
[6] Hyper Net:Towards Accurate Region Proposal Generation and Joint Object Detection. Kong Tao,Yao Anbang,Chen Yurong,et al. https://arxiv.org/pdf/1604.00600v1.pdf . 2016
[7] Visualizing and understanding convolutional networks. Zeiler M D,Fergus R. European conference on computer vision . 2014
[8] Car recognition using Gabor filter featureextraction. LIMTR,,GUNTORO AT. Circuits and Systems,APCCAS 02 . 2002
[9] 一种基于分层多尺度卷积特征提取的坦克装甲目标图像检测方法
孙皓泽
常天庆
王全东
孔德鹏
戴文君
[J]. 兵工学报, 2017, 38 (09) : 1681 - 1691
[10] 基于YOLO v2的无人机航拍图像定位研究
魏湧明
全吉成
侯宇青阳
[J]. 激光与光电子学进展, 2017, 54 (11) : 101 - 110

← 1 →