面向军事目标识别的DRFCN深度网络设计及实现
【杭州电子科技大学信息融合团队刘俊教授】

 
  
  自动目标识别(Automatic Target Recognition,ATR)是利用自动数据处理方法对探测信息中的目标数据进行识别和分类的过程,按识别程度可依次分为目标检测(Target/Object Detection)、目标分类(Target/Object Classification)和目标辨识(Target/Object Identification)三个层次。自动目标识别是定下正确决心、实时指挥和战术决策的基础。自动目标识别与目标状态估计相结合,构成战场态势评定及威胁估计的基础。自动目标识别是现代武器装备的重要组成部分,受到各国学术界和应用部门的高度重视。近年来,随着深度学习技术的出现,有力推动ATR技术从理论探索和实验仿真逐步走向实际应用,基于人工智能和深度学习的自动目标识别技术研究已成为当今军事领域的研究热点和前沿课题。

 

本文简介   
杭州电子科技大学“通信信息传输与融合国防重点科学实验室”信息融合团队刘俊教授提出了一种新的面向军事目标识别应用的DRFCN深度网络模型,该模型的总体结构如图1所示,不同于传统深度网络模型单向连接的建模方法,该模型通过卷积模块稠密连接的方式,各个卷积模块都和上层的所有卷积模块稠密连接,复用深度网络模型中每一层的特征,底层的卷积模块学习到了上面所有卷积模块的特征,提高了深度网络模型的特征表达能力。构建完成DRFCN模型后,基于Caffe框架设计并实现了基于DRFCN的可扩展实时军事目标识别原型系统,如图2所示,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。利用研发的军事目标识别原型系统,以战场军事目标识别为背景,对提出的DRFCN模型进行了实验验证。识别框架包括9类,具体为:战斗机、坦克、直升飞机、军舰、枪、导弹、加农炮、潜艇、士兵。参与对比实验的深度网络模型包括VGG、YOLO、RFCN和ResNet等。实验验证指标主要包括定位准确率、平均准确率、漏报率、误报率、网络模型大小和处理帧率等。实验验证数据集包括VOC2007&VOC2012公开数据集和同等规模的自建军事目标识别数据集。部分实验结果如图3所示,实验结果表明:DRFCN模型不仅可以提高识别平均准确率和减小深度网络模型,而且可以有效解决梯度弥散、梯度膨胀问题;在实际应用场景下,DRFCN模型可以满足军事目标识别的准确率和实时性要求。

 

 DRFCN深度网络模型总体结构框图

 

基于DRFCN的军事目标识别功能演示截图

 

 

部分军事目标识别结果

 

 

研究团队简介  
杭州电子科技大学“通信信息传输与融合国防重点科学实验室”信息融合团队简介:核心成员15人,全部具有博士学位,其中正高6人(博导3人),副教授6人,讲师3人,团队负责人为薛安克教授。主要开展多源信息融合基础理论、技术和工程应用研究,专注三个研究方向:检测、跟踪与识别;图像处理与图像融合;高层信息融合。已发表论文500余篇,授权发明专利200余项。“十二五”期间承担国家基础研究计划“973”子课题2项,国家自然科学基金重点项目和重大仪器专项各1项,国防基础科研项目1项,原总装备部装备预研项目5项;“十三五”以来,承担国防基础科研重大项目子课题1项、装备发展部预研项目3项、海军创新项目2项。获国家科技进步二等奖1项、省部科技进步一等奖2项、省自然科学一等奖1项、国防科技进步奖和军工集团国防科技奖励6项。


相关论文
刘俊, 孟伟秀, 余杰, 等. 面向军事目标识别的DRFCN深度网络设计及实现[J]. 光电工程,2019, 46(4):180307.
DOI: 10.12086/oee.2019.180307