沈先耿

随着军事科技的发展,军事装备不断更新换代,军事设施也在不断增加,军事目标间的相似性也越来越高,如何根据军事目标图像的视觉特征信息对军事目标进行语义分类成为目前军事领域的一个重要的研究热点[1].军事目标的视觉特征的提取通常利用一定的数学工具来实现,如傅里叶变换、拉普拉斯算子、离散小波分析、隐马尔科夫模型等[2].传统的图像分类方法将上述算法与SVM(支持向量机)或者浅层神经网络相结合进行分类识别[3].由于上述方法中特征定义的局限性和浅层神经网络对于大数据样本处理的困难,这种方法已不能满足人们对于分类精度的要求[4].

深度学习是人工智能领域中一个研究热点,其本质是一种多层的神经网络模型.深度学习通过模拟人类大脑神经连接的结构,在多个变换阶段对样本数据特征进行分层描述,进而得到样本数据的特征[5].通过多个隐藏层的学习,能够获得更好的样本特征,从而提高样本分类识别的准确率.稀疏自编码神经网络是一种无监督的样本学习算法,能够让样本的输出值等于输入值,有效提取出样本数据的本质特征.本文针对不同的军事目标间相似度较高且在复杂环境中识别率较低的问题,采用稀疏自编码神经网络对军事目标图像进行特征学习,提取出样本图像的本质特征,将提取的样本特征输入softmax分类器中进行分类识别,提高了军事目标图像……