面向陆战场目标识别的轻量级卷积神经网络

发布时间：2024-04-17 22:25

　　在实际陆战场环境中,作战人员无法随身携带GPU等大型计算设备,因此较难计算规模较大的神经网络参数,进而导致目标识别网络无法实时工作。现有的轻量级神经网络虽然解决了实时性的问题,但是不能满足准确率的要求。为此,文中提出了一种基于轻量级卷积神经网络的目标识别算法(E-MobilNet)。为了提升网络学习的效果,以现有深度学习的主要目标检测框架MobileNet-V2为基础,插入一种ELU函数作为激活函数。首先,使用扩张卷积来增加通道数,以获得更多的特征;接着,通过ELU函数激活输出特征,这样可以缓解线性部分的梯度消失,并且使非线性部分对输入变化的噪声更鲁棒;然后,通过残差连接的方式组合高层特征与低层特征的输出;最后,将全局池化的输出结果输入Softmax分类函数。实验数据表明,在同样的测试集和测试环境下,与现在主流的轻量级深度学习目标识别算法相比,E-MobileNet识别的准确率和每秒检测的帧率都有所提升。实验数据充分说明,使用ELU激活函数和全局池化层减少了参数的数量,增强了模型的泛化能力,提升了算法的鲁棒性,在保证神经网络模型轻量级的基础上有效地提高了目标的识别准确率。

【文章页数】：5 页

【部分图文】：

图2标准残差结构

标准残差块的结构如图2所示。2.2可分离卷积

图1E-MobileNet的结构

本文提出的卷积神经网络模型E-MobileNet如图1所示。首先,输入图像经过两层卷积层;然后,通过设计的残差块(此处5个残差块的结构相同)学习特征;最后,使用softmax函数进行分类。模型的设计如下:1)添加一个AVGPool层,用于在残差块对元素进行相加,即使用残差连接的....

图3可分离卷积

使用可分离卷积替代传统卷积模块的主要目的是将空间互相关信息与通道互相关信息分离,在加快计算的同时提高识别率[19]。首先,采用深度卷积(大小为D×D×1)对不同输入通道分别进行卷积操作;然后,采用点卷积(大小为1×1×C)将深度输出后再进行结合。标准卷积结构如图4所示,大小为D×....

图4标准卷积

Dk×Dk×M×C×D×D(2)而对于可分离卷积来说,首先对C个输入通道施加大小为D×D的滤波器,即D×D×C×Dk×Dk,然后应用N个大小为1×1×C的卷积滤波器将C个输入信道组合成N个输出信道,即C×N×Dk×Dk。将大小为1×1×C的特征图中的每个值合并在一起,....

本文编号：3957013