申请/专利权人：西北工业大学

申请日：2021-09-27

公开（公告）日：2024-05-17

公开（公告）号：CN113902974B

主分类号：G06V10/25

分类号：G06V10/25;G06V10/44;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/045;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2022.01.25#实质审查的生效;2022.01.07#公开

摘要：本发明公开了一种基于卷积神经网络的空战威胁目标识别方法，首先在ResNet模型的主干网络中加入注意力机制，增强感兴趣区域的特征表现能力，降低无用信息对于识别结果的影响，提高检测模型的区域聚焦能力；然后在ResNet模型的最后将单一全连接层的结构改成双全连接层的结构，分别对空战威胁目标的威胁类型与制导类型进行特征映射，以便提高模型的识别能力，加快模型的收敛。通过上述两种方法，得到改进后的ResNet模型，使用改进后的ResNet模型能够对空战威胁目标类型进行识别，实现空战威胁目标识别任务。本发明充分利用通道注意力和空间注意力机制来指导重要特征信息的传递，有效的提高识别模型对于全局信息的感知能力和空战威胁目标类型的识别精度。

主权项：1.一种基于卷积神经网络的空战威胁目标识别方法，其特征在于，包括以下步骤：步骤1：获取待识别的空战威胁目标数据，构建空战威胁目标数据集；步骤2：对空战威胁目标数据集中的每个空战威胁目标数据赋予两个标签，分别为空战威胁目标的威胁类型标签和制导类型标签，采用标签区分不同类型的空战威胁目标；步骤3：将空战威胁目标数据集中的同一空战威胁目标的N个不同时刻的数据进行数据链接，得到增强空战威胁目标数据集；步骤4：构建改进ResNet模型；步骤4-1：在ResNet模型的第7层、第15层、第27层、第33层后均加入注意力模块，增强ResNet模型对感兴趣区域的特征表现能力；步骤4-2：将ResNet模型最后的单一全连接层改为两个并行的全连接层，两个并行的全连接层分别对应空战威胁目标的威胁类型识别和制导类型识别；将ResNet模型的输出特征图作为这两个并行的全连接层的输入，并通过两个全连接层的映射后分别得到最终的空战威胁目标的威胁类型和制导类型的识别输出；步骤5：将步骤3得到的增强后的空战威胁目标数据集作为改进ResNet模型的输入，将步骤2得到的标签作为空战威胁目标数据标签，对改进ResNet模型进行训练，得到训练完成的改进ResNet模型；步骤6：将空战威胁目标数据输入训练完成的改进ResNet模型得到空战威胁目标类型识别结果。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于卷积神经网络的空战威胁目标识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD