论文摘要
针对深度学习中的有监督学习需要大量的标注数据,提出了一种少量训练样本下的SAR目标识别方法,解决了SAR图像人工标注成本较高、标注样本不足的问题。首先通过构建正负样本对的策略对数据集进行样本扩充,大幅增加数据量;其次,设计了一种基于度量学习和深度学习的孪生卷积神经网络(孪生CNN),用于衡量样本之间的相似概率;然后采用多任务联合学习的方法训练模型,有效缓解了相干斑噪声对SAR图像的影响,降低了噪声过多易引起的过拟合风险;最后,设计了一种基于孪生CNN的识别样本具体类别的加权投票模型。实验采用了MSTAR和OpenSARShip数据集,在小规模训练集上通过上述方法取得了较好的识别效果。
论文目录
文章来源
类型: 期刊论文
作者: 王博威,潘宗序,胡玉新,马闻
关键词: 少量样本,孪生卷积神经网络孪生,目标识别,过拟合
来源: 雷达科学与技术 2019年06期
年度: 2019
分类: 信息科技
专业: 电信技术,自动化技术
单位: 中国科学院大学,中国科学院电子学研究所,中国科学院空间信息处理与应用系统技术重点实验室
基金: 国家自然科学基金(No.61701478)
分类号: TN957.52;TP183
页码: 603-609+615
总页数: 8
文件大小: 2048K
下载量: 104
相关论文文献
标签：少量样本论文; 孪生卷积神经网络孪生论文; 目标识别论文; 过拟合论文;