Print

基于CNN的不平衡SAR图像舰船目标识别

论文摘要

针对SAR图像舰船目标识别中存在的数据不平衡问题提出了一种基于批内平衡采样和模型微调的两阶段迁移学习方法。首先使用批内平衡采样方法得到类间数量平衡的训练集,然后使用该数据集预训练模型,最后通过迁移学习和模型微调继续训练不平衡数据并完成测试。针对一般三通道CNN模型在处理单通道SAR图像时会出现参数冗余的问题,设计了一种用于SAR图像识别的轻量化CNN模型。通过单通道卷积核、深度可分离卷积和用全局平均池化代替全连接层3种策略有效降低了模型的参数量。在公开数据集OpenSARShip上的实验结果表明:所提方法有效提升了少数类的识别精度,缓解了数据不平衡问题对识别结果的影响;所提轻量化CNN模型在保证识别精度基本不变的前提下,使传统三通道CNN模型的模型大小和单次迭代时间分别降低约58.86%和63.62%。

论文目录

  • 0 引言
  • 1 基于批内平衡采样和模型微调的两阶段迁移学习方法
  •   1.1 总体思路
  •   1.2 批内平衡采样方法
  •   1.3 基于迁移学习的模型微调
  •     1.3.1 输出层阈值移动
  •     1.3.2 Dropout方法
  • 2 用于SAR图像识别的轻量化CNN模型
  •   2.1 单通道卷积核
  •   2.2 深度可分离卷积
  •   2.3 网络结构
  • 3 基于OpenSARShip数据集的SAR舰船识别实验
  •   3.1 实验数据及配置
  •   3.2 实验结果及讨论
  •     3.2.1 实验基准
  •     3.2.2 两阶段迁移学习方法的实验结果
  •     3.2.3 基于轻量化CNN的实验结果
  • 4 结束语

    • 文章来源

    类型: 期刊论文

    作者: 邵嘉琦,曲长文,李健伟,彭书娟

    关键词: 舰船识别,卷积神经网络,数据不平衡,轻量化模型

    来源: 电光与控制 2019年09期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    专业: 武器工业与军事技术,船舶工业,电信技术,计算机软件及计算机应用,自动化技术

    单位: 海军航空大学

    分类号: U675.79;E91;TN957.52;TP183

    页码: 90-97

    总页数: 8

    文件大小: 3008K

    下载量: 386

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/604beb5055852884c3e97bc9.html