深度學習作為當前人工智能領域的研究熱點之一,已經受到廣泛關注。借助於強大的特征表示和學習能力,深度學習日益成為軍事領域智能化發展的技術基礎。首先結合深度學習的最新發展,指出深度學習的快速發展得益於理論的突破、計算機運算能力的顯著提高和開源軟件的廣泛流行,著重梳理了目前主要的深度學習硬件平台和編程框架,並總結了各自的特點和研究進展;然後對深度學習在目標識別、態勢感知、指揮決策等典型軍事領域的應用和存在的不足進行了總結;最後,分析了深度學習軍事應用麵臨的挑戰,包括數據獲取困難、處理不確定不完備信息和多域信息能力不足、精確度和實時性較低、可解釋和可理解性不強等,並針對這些問題展望了未來可能的發展方向和趨勢。 深度學習為很多複雜問題的解決提供了新的思路$由於其具有強大的特征表示和學習能力$在以目 標識別與檢測,態勢感知,智能指揮決策等為代表的 軍事領域中取得了一係列應用成果$並日益成為軍事領域智能化發展的技術基礎與研究熱點。

1. 目標識別與檢測

雷達目標識別一直是軍事領域關注的重點,隨 著高分辨雷達技術的發展,目標的高分辨一維距離 像(high resolution range profile, HRRP)、合成孔徑 雷達(synthetic aperture radar,SAR)圖像等已經成 為軍事目標綜合識別的重要數據來源,傳統雷達目 標識別方法主要采用人工設計的特征提取算法提取 目標特征,目標識別的性能依賴於提取特征的好壞, 而采用深度學習方法則能自動學習目標數據的深層 次抽象特征,能夠進行更準確、更穩健的識別,從而受 到廣泛的關注。表1為當前主要的深度學習框架。 在 基 於 H R R P 的 雷 達 目 標 識 別 方 麵 , B ( ) . F 等[⑸提出一種新的矯正自編碼器Corrective AE, 自 動 提 取 H R R P 抽 象 特 征 , 實 現 了 對 目 標 H R R P 的高效識別。P a n等[⑹采用t . S N E方法解決H R - RP目標識別中的訓練數據不均衡問題,利用判別式深層置信網絡提取訓練數據中與類別無關的全局 特征來提升小樣本條件下的H R R P分類性能。徐 彬等口力考慮HRRP樣本距離單元間的時序相關特 性,提出了采用雙向長短時記憶模型的HRRP目標 識別方法,提高了目標識別性能。文獻口8] 將5種 彈道中段目標HRRP轉化為0-1二值圖,並構建了 二維CNN對HRRP圖像進行分類,充分利用圖像 中蘊含的目標結構信息提升了分類效果,但將HRRP轉化為圖像增加了計算量。Xiang等[血在一維 CNN中引入通道注意力,同時利用改進的人工蜂群 算法對一維CNN進行剪枝,在保持對彈道中段目 標H R R P的高準確識別率前提下大幅降低了模型 的複雜度。

2 態勢感知

現代戰場態勢具有顯著的大數據特征,傳統方法已不能滿足現代複雜戰場態勢的感知需求,深度學習技術為研究戰場態勢感知提供了智能化技術手段,在對以往實戰數據,實兵對抗數據,靶場試 驗數據,兵棋推演數據等進行態勢標注的基礎上,將 其作為訓練數據,對深度學習模型進行訓練利用訓 練獲得的網絡模型可以實現對戰場態勢的理解。

3 指揮決策以 AlphaGo等為代表的人工智能 應用的成功,表明了深度學習技術在應對實時對抗, 不確定性推理等複雜動態場景問題的優秀能力深 度學習在軍事智能輔助決策領域的應用已經受到廣 泛的關注。

"> 深度學習研究及軍事應用綜述 - 專知VIP

深度學習作為當前人工智能領域的研究熱點之一,已經受到廣泛關注。借助於強大的特征表示和學習能力,深度學習日益成為軍事領域智能化發展的技術基礎。首先結合深度學習的最新發展,指出深度學習的快速發展得益於理論的突破、計算機運算能力的顯著提高和開源軟件的廣泛流行,著重梳理了目前主要的深度學習硬件平台和編程框架,並總結了各自的特點和研究進展;然後對深度學習在目標識別、態勢感知、指揮決策等典型軍事領域的應用和存在的不足進行了總結;最後,分析了深度學習軍事應用麵臨的挑戰,包括數據獲取困難、處理不確定不完備信息和多域信息能力不足、精確度和實時性較低、可解釋和可理解性不強等,並針對這些問題展望了未來可能的發展方向和趨勢。 深度學習為很多複雜問題的解決提供了新的思路$由於其具有強大的特征表示和學習能力$在以目 標識別與檢測,態勢感知,智能指揮決策等為代表的 軍事領域中取得了一係列應用成果$並日益成為軍事領域智能化發展的技術基礎與研究熱點。

1. 目標識別與檢測

雷達目標識別一直是軍事領域關注的重點,隨 著高分辨雷達技術的發展,目標的高分辨一維距離 像(high resolution range profile, HRRP)、合成孔徑 雷達(synthetic aperture radar,SAR)圖像等已經成 為軍事目標綜合識別的重要數據來源,傳統雷達目 標識別方法主要采用人工設計的特征提取算法提取 目標特征,目標識別的性能依賴於提取特征的好壞, 而采用深度學習方法則能自動學習目標數據的深層 次抽象特征,能夠進行更準確、更穩健的識別,從而受 到廣泛的關注。表1為當前主要的深度學習框架。 在 基 於 H R R P 的 雷 達 目 標 識 別 方 麵 , B ( ) . F 等[⑸提出一種新的矯正自編碼器Corrective AE, 自 動 提 取 H R R P 抽 象 特 征 , 實 現 了 對 目 標 H R R P 的高效識別。P a n等[⑹采用t . S N E方法解決H R - RP目標識別中的訓練數據不均衡問題,利用判別式深層置信網絡提取訓練數據中與類別無關的全局 特征來提升小樣本條件下的H R R P分類性能。徐 彬等口力考慮HRRP樣本距離單元間的時序相關特 性,提出了采用雙向長短時記憶模型的HRRP目標 識別方法,提高了目標識別性能。文獻口8] 將5種 彈道中段目標HRRP轉化為0-1二值圖,並構建了 二維CNN對HRRP圖像進行分類,充分利用圖像 中蘊含的目標結構信息提升了分類效果,但將HRRP轉化為圖像增加了計算量。Xiang等[血在一維 CNN中引入通道注意力,同時利用改進的人工蜂群 算法對一維CNN進行剪枝,在保持對彈道中段目 標H R R P的高準確識別率前提下大幅降低了模型 的複雜度。

2 態勢感知

現代戰場態勢具有顯著的大數據特征,傳統方法已不能滿足現代複雜戰場態勢的感知需求,深度學習技術為研究戰場態勢感知提供了智能化技術手段,在對以往實戰數據,實兵對抗數據,靶場試 驗數據,兵棋推演數據等進行態勢標注的基礎上,將 其作為訓練數據,對深度學習模型進行訓練利用訓 練獲得的網絡模型可以實現對戰場態勢的理解。

3 指揮決策以 AlphaGo等為代表的人工智能 應用的成功,表明了深度學習技術在應對實時對抗, 不確定性推理等複雜動態場景問題的優秀能力深 度學習在軍事智能輔助決策領域的應用已經受到廣 泛的關注。

成為VIP會員查看完整內容
22
36

相關內容

人工智能在軍事中可用於多項任務,例如目標識別、大數據處理、作戰係統、網絡安全、物流運輸、戰爭醫療、威脅和安全監測以及戰鬥模擬和訓練。
深度學習視頻超分辨率技術概述
專知會員服務
19+閱讀 · 7月18日
基於深度學習的圖像目標檢測算法綜述
專知會員服務
56+閱讀 · 4月15日
深度學習模型魯棒性研究綜述
專知會員服務
52+閱讀 · 1月23日
深度學習人臉特征點自動定位綜述
專知會員服務
18+閱讀 · 2021年12月1日
群體行為識別深度學習方法研究綜述
專知會員服務
23+閱讀 · 2021年11月29日
FPGA加速深度學習綜述
專知會員服務
33+閱讀 · 2021年11月13日
專知會員服務
33+閱讀 · 2021年10月4日
專知會員服務
31+閱讀 · 2021年8月28日
專知會員服務
27+閱讀 · 2020年12月25日
深度學習目標檢測方法綜述
專知會員服務
182+閱讀 · 2020年8月1日
深度學習視頻超分辨率技術概述
專知
0+閱讀 · 7月18日
變分貝葉斯深度學習綜述
PaperWeekly
3+閱讀 · 3月21日
圖神經網絡綜述:模型與應用
PaperWeekly
180+閱讀 · 2018年12月26日
綜述:深度學習時代的目標檢測算法
極市平台
26+閱讀 · 2018年3月17日
國家自然科學基金
44+閱讀 · 2017年12月31日
國家自然科學基金
4+閱讀 · 2017年12月31日
國家自然科學基金
3+閱讀 · 2015年12月31日
國家自然科學基金
0+閱讀 · 2015年12月31日
國家自然科學基金
0+閱讀 · 2015年12月31日
國家自然科學基金
0+閱讀 · 2014年12月31日
國家自然科學基金
1+閱讀 · 2013年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
6+閱讀 · 2012年12月31日
國家自然科學基金
1+閱讀 · 2012年12月31日
Arxiv
14+閱讀 · 2021年9月21日
Arxiv
21+閱讀 · 2021年7月7日
Arxiv
13+閱讀 · 2021年6月30日
Arxiv
16+閱讀 · 2021年3月2日
Arxiv
14+閱讀 · 2021年1月27日
A Survey on Bayesian Deep Learning
Arxiv
51+閱讀 · 2020年7月2日
Arxiv
14+閱讀 · 2018年2月7日
VIP會員
相關VIP內容
深度學習視頻超分辨率技術概述
專知會員服務
19+閱讀 · 7月18日
基於深度學習的圖像目標檢測算法綜述
專知會員服務
56+閱讀 · 4月15日
深度學習模型魯棒性研究綜述
專知會員服務
52+閱讀 · 1月23日
深度學習人臉特征點自動定位綜述
專知會員服務
18+閱讀 · 2021年12月1日
群體行為識別深度學習方法研究綜述
專知會員服務
23+閱讀 · 2021年11月29日
FPGA加速深度學習綜述
專知會員服務
33+閱讀 · 2021年11月13日
專知會員服務
33+閱讀 · 2021年10月4日
專知會員服務
31+閱讀 · 2021年8月28日
專知會員服務
27+閱讀 · 2020年12月25日
深度學習目標檢測方法綜述
專知會員服務
182+閱讀 · 2020年8月1日
相關資訊
相關基金
國家自然科學基金
44+閱讀 · 2017年12月31日
國家自然科學基金
4+閱讀 · 2017年12月31日
國家自然科學基金
3+閱讀 · 2015年12月31日
國家自然科學基金
0+閱讀 · 2015年12月31日
國家自然科學基金
0+閱讀 · 2015年12月31日
國家自然科學基金
0+閱讀 · 2014年12月31日
國家自然科學基金
1+閱讀 · 2013年12月31日
國家自然科學基金
0+閱讀 · 2012年12月31日
國家自然科學基金
6+閱讀 · 2012年12月31日
國家自然科學基金
1+閱讀 · 2012年12月31日
相關論文
Arxiv
14+閱讀 · 2021年9月21日
Arxiv
21+閱讀 · 2021年7月7日
Arxiv
13+閱讀 · 2021年6月30日
Arxiv
16+閱讀 · 2021年3月2日
Arxiv
14+閱讀 · 2021年1月27日
A Survey on Bayesian Deep Learning
Arxiv
51+閱讀 · 2020年7月2日
Arxiv
14+閱讀 · 2018年2月7日
微信掃碼谘詢專知VIP會員
Top