基于深度学习的空间非合作目标特征检测与识别
针对空间非合作目标检测与识别任务的智能化要求,本文将深度学习方法Mask R-CNN(mask region-based convolutional neural network)应用于任务中,并借鉴R-FCN(region-based fully convolutional networks)和Light-head R-CNN(light-head region-based convolutional neural network)对其进行优化改进,提升检测速度,以满足空间任务实时性要求.实验结果表明,与传统的Mask R-CNN相比,改进的Mask R-CNN可缩短20%的检测时间.针对深度神经网络需要大样本数据集进行训练的特点,本文基于迁移学习提出搭建虚拟环境进行样本采集,构造空间目标特征检测与识别数据集的方法.实验结果表明,网络在虚拟环境生成的数据集上可以很好地学习到相应特征,从而具备迁移到实际任务的能力.
空间非合作目标、特征检测与识别、深度学习、区域全卷积网络、头部轻量化卷积神经网络、改进的Mask R-CNN、数据集构建、迁移学习
15
TP18;V19(自动化基础理论)
2021-05-24(万方平台首次上网日期,不代表论文的发表时间)
共9页
1154-1162