基于注意力選擇與脈沖耦合神經(jīng)網(wǎng)絡(luò)的沙漠車輛識(shí)別.pdf

1、遙感圖像中典型目標(biāo)的檢測(cè)、識(shí)別是當(dāng)前目標(biāo)檢測(cè)與識(shí)別的重要課題，其中車輛識(shí)別作為一類目標(biāo)識(shí)別，在交通管理、車輛救援方面都具有重要意義。在沙漠車輛救援中，由于以下三個(gè)原因，傳統(tǒng)車輛識(shí)別算法難以滿足沙漠車輛識(shí)別需求:首先是航拍圖像分辨率低，背景復(fù)雜，無(wú)法滿足傳統(tǒng)車輛識(shí)別算法對(duì)圖像分辨率或背景的要求;其次是車輛目標(biāo)小，分辨率低、特征信息少，無(wú)法提取傳統(tǒng)車輛識(shí)別所需的模型信息、車窗信息等特征信息;最后是背景中干擾因素（植被、丘陵）多，目標(biāo)區(qū)域難以

2、分割。因而傳統(tǒng)識(shí)別算法在沙漠車輛識(shí)別中識(shí)別率低、虛警率高，難以滿足救援要求。
　　針對(duì)以上問(wèn)題，本文的研究涵蓋了沙漠車輛識(shí)別的整個(gè)過(guò)程，包括圖像預(yù)處理、候選區(qū)域分割、車輛區(qū)域識(shí)別等。本文結(jié)合沙漠圖像空間域和頻域信息構(gòu)建沙漠車輛識(shí)別算法，相比其他優(yōu)秀算法，本文算法取得更好識(shí)別效果。之后，本文對(duì)提出的模型進(jìn)行了進(jìn)一步改進(jìn)。論文的主要工作與貢獻(xiàn)包含以下幾點(diǎn):
　　1.提出了一種基于注意力選擇模型的沙漠車輛檢測(cè)算法。本文將注意力選擇

3、機(jī)制引入沙漠車輛檢測(cè)，利用顯著圖減少車輛搜索范圍。根據(jù)沙漠特點(diǎn)，本文在四元數(shù)注意力選擇模型中構(gòu)建了抑制黃色信息的背景自適應(yīng)通道，并利用雙線性變換提升顯著圖計(jì)算效率。實(shí)驗(yàn)表明模型計(jì)算速度快，顯著圖車輛顯著性高，利于實(shí)現(xiàn)沙漠車輛的快速檢測(cè)。
　　2.提出了一種高識(shí)別率、低虛警率的沙漠車輛識(shí)別算法。本文將單位連接脈沖耦合神經(jīng)網(wǎng)絡(luò)的單位神經(jīng)元與顯著圖像素點(diǎn)對(duì)應(yīng)，將像素灰度值作為神經(jīng)元輸入，利用脈沖傳播特性實(shí)現(xiàn)圖像去噪、分割和提取。之后，提

4、取各候選區(qū)域的尺度不變特征向量并結(jié)合多層次回歸樹進(jìn)行分類，最終完成沙漠車輛識(shí)別。實(shí)驗(yàn)表明車輛識(shí)別率高，虛警率低，優(yōu)于對(duì)比算法。
　　3.提出了兩種具有可監(jiān)督學(xué)習(xí)能力的注意力選擇模型。本文將先驗(yàn)知識(shí)引入原有四元數(shù)注意力選擇模型，使得注意力選擇模型具備可監(jiān)督學(xué)習(xí)能力。之后本文利用最小二乘和支撐向量機(jī)法兩種算法分別將人工干預(yù)后的顯著圖作為教師對(duì)模型進(jìn)行訓(xùn)練。通過(guò)實(shí)驗(yàn)表明，改進(jìn)后的模型車輛顯著性明顯，背景抗噪能力強(qiáng)，較之前模型性能有進(jìn)一步