Print

少量样本下基于孪生CNN的SAR目标识别

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

  • 0 引言
  • 1 少量样本下的SAR目标识别方法
  •   1.1 数据扩充
  •   1.2 模型
  •     1.2.1 孪生卷积神经网络
  •     1.2.2 多任务联合学习
  •   1.3 训练
  •   1.4 类别推断
  • 2 实验结果与分析
  •   2.1 数据集及实验设置
  •     2.1.1 MSTAR
  •     2.1.2 OpenSARShip
  •     2.1.3 数据预处理
  •     2.1.4 模型超参数设置
  •   2.2 算法对比实验
  •     2.2.1 分类识别结果
  •     2.2.2 几种识别算法的对比
  •     2.2.3 几种特征提取网络的对比
  •   2.3 算法有效性及泛化分析
  •     2.3.1 可视化分析
  •     2.3.2 泛化分析
  • 3 结束语

    • 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

    本文来源: https://www.lunwen66.cn/article/e44965c54dc7f4a185f522e9.html