深度学习在目标识别中的应用研究

深度学习在目标识别中的应用研究

李凯，殷超宇，潘瑞鹏，王鹏泽，郭靖

北方自动控制技术研究所 邮编： 030000

摘要：深度学习是根据数据技术以及图像技术的展开的新型机器学习技术。现阶段，深度学习技术在我国的发展建设中起到举足轻重的作用。深度学习是基于信息的神经网络和高度的科学技术理论，如卷积理论，就是为了强化机器深度学习的可靠性以及精准度。本文将通过对目标识别中的深度学习的应用研究展开详细的讨论，以便于提高目标识别的技术能力。

关键词：深度学习；目标识别；应用研究

前言：近些年，我国的现代化信息技术水平飞速发展，通过先进的数字信息技术以及网络技术在一定程度上提高了计算机系统的独立分析水平，现代计算机这一方面已经实现了机器独立学习的发展。通过建设计算机模拟人类思考和神经网络的繁琐的信息系统，不仅能够智能地识别收集到的声音和图像，同时能够促进目标识别领域的信息展开。在目标识别领域的深层学习方法的普及和应用可以促进人机交互，自动控制，雷达和声学检测技术水平的持续改进。所以，针对深度学习技术进行全面的研究和发掘，有利于我国社会建设的发展。

1. 深度学习技术概述

深度学习技术的问世以及发展，是根据人类神经网络的科学研究和思考模式的探寻和模仿。由于人的思考系统是通过感知层以及判断层构成的，因此人类能够理解抽象的逻辑方法收集的信息和数据，并有效地判断和识别数据内容。在现代信息技术的发展过程中，机器的深度学习就是模仿人类神经网络的建立，学习其轮廓和性能等特征数据，并且将信息网络储存到神经系统中，有效地提高深度学习的效果。

1.1深度学习技术中的卷积神经网络

在对信息技术的基础进行优化时，卷积神经网络就会出现。卷积神经网络具有许多优点，例如卷积神经网络机器学习的参数是非常少的，并且其复杂程度较低学习起来较为容易，同时卷积神经网络可以有效地对目标相关领域进行分析以及处理。卷积神经网络中，对信息系统进行深度学习的核心结构是卷积层，卷积层可以有效地进行信息处理、信息采集、数据分析以及数据传输等工作，由此可以看出卷积神经网络对于工作的重要性。并且卷积层具有空间和时间的特点，运用向量对数据内容进行识别，当采集层以及卷积层共同运行时，使用计算机算法就可以得到计算目标的特征模型。这种方式可以运用到许多领域，例如我国海上的军舰的鱼雷雷达。在军舰的运行中，军舰内有大型信息综合系统，这种雷达就会有滤波器，并且由于在海中可视度较低，军舰的雷达是运用采集水下声波的方式来进行探测，通过滤波器的参数进行对比进行过滤，能够找到相对应的时序信号内容。滤波器可以根据卷积层和采集层之间的数据互动来进行参数的自我调节，神经网络的自主学习能力也就实现了，有效地达到了深度学习的目的。

2.深度学习在目标识别中的应用分析

2.1深度学习在目标识别中的应用流程

当代的目标识别应用中深度学习技术主要是通过以下流程来进行实现的。首先是将摄像头或者传感器安装在目标识别器上，这样可以有效地对目标的形状以及图像进行采集和记录。这种方式非常适用于在水下作业，在水下作业时，传感器和摄像头可以对水下环境地貌等进行分析，同时和数据信息进行对比，就可以安全地在水下进行作业。同时可以运用深度学习技术，对图像以及内容进行分析，可以得出物体的颜色、大小以及特征等。在水下作业时，会有噪音和可视度低等影响，因此运用深度学习技术来进行目标识别，就需要进行优化处理，将传感器以及摄像头传来的图像进行降噪处理，就可以有效地得到目标图像。这种深度学习可以有效地为目标识别建立良好的神经网络体系，运用深度学习的手段进行整理，信息处理能力就会得到显著提高。

2.2深度学习在目标识别中的应用方法

深度学习技术在我国现阶段的目标识别中的有效应用，大大改善了对目标进行分析得出的效果和质量。目标识别不仅仅是单纯的概括为图形图像取得和分类，目标识别比简单的图形图像捕获技术更为智能，深度学习技术可以使用收集的信息数据进行更深层次的探究。目前，两种方法在目标识别领域应用了深度学习技术。按照目标识别的要求，分为区域目标识别以及非区域目标识别。区域目标识别主要使用深度学习技术，以通过有限区域的信息搜索获得有效的数据内容，信息的提取和整合通过深度学习神经网络获得的信息内容特征，获得必要的识别目标矢量和结构特征。非区域目标识别不再局限于收集目标信息的空间限制。为了提高数据内容的准确性，需要根据特征量计算收集的数据内容的概率统计量，并获得更精准的数据模型。

3.深度学习在目标识别中的发展趋势

3.1提高目标识别中信息数据的多样性

通常情况下，目标识别的目标环境是非常复杂的，所以，需要具有复杂且不可预测特点的表现方式，提高对于目标数据的获取能力，并用于识别影像、图像、声波特性的深度学习技术。根据目标波识别的必要条件，光线和其他信号改进了计算机的各种性能。在充实数据内容的条件下，可以减少多个数据融合导致的数据失真，并且可以提高目标识别的可靠性和精准度。

3.2提高目标识别中目标模型的可解释性

深度学习技术可以通过优化具有更详细地分析不同特点的多组数据，获得更精准的虚拟目标模型以及3D立体目标模型，并分析基本信息数据的计算机系统的能力直接影响后续模型建立的精准度。除此之外，根据目标识别的需要，强化深度学习能力，建立理论与实际操作相结合的神经网络系统，进而强化目标识别的可解释性。

结论：

我国计算机事业的发展随着社会科学技术的进步发展逐渐实现了机械自律学习。到目前为止，计算机系统已经完善了模拟人类思考和神经网络的繁琐信息系统，智能的识别计算机收集到的声音以及图像，完成了目标识别领域的信息展开。在今后的计算机发展中，为了加深大规模控制技术的更深入的应用，为了更好地识别各种产业的内容特性，需要更复杂的路径跟踪和大规模控制系统的人计算机相互作用，同时有必要充分利用深度学习，使其发展出更重要的优势，进而促进我们国家的整体目标识别技术能力发展。

参考文献：

[1]王培兵,彭圆.深度学习在水声目标识别中的应用研究[J].数字海洋与水下攻防,2020,3(01):11-17.DOI:10.19838/j.issn.2096-5753.2020.01.003.

[2]隋雪莲,张涛,曲乔新.深度学习在遥感影像目标识别与定位中的应用研究[J].科技创新与应用,2019(34):180-181.

[3]史律,唐鸣.深度学习在目标识别中的应用研究[J].舰船科学技术,2019,41(22):82-84.