基于迁移学习的船舶目标识别

发布时间：2021-12-25 05:17

　　在目标识别中,随着特征提取的技术手段发生变化,识别精准度也随之变化。采用卷积神经网络InceptionV3对船舶样本进行分类识别,并引入迁移学习的思想避免网络的过拟合。根据防撞对象、轮廓外形、地理环境的相似性开展个性特征下的迁移学习实验,从而实现高精度的船舶与关联场景目标的多分类识别,有力地验证了基于Inception V3的迁移学习对船舶的特征提取具有较强的泛化能力。 

【文章来源】：计算机应用研究. 2020,37(S1)北大核心CSCD

【文章页数】：3 页

【参考文献】：
期刊论文
[1]基于inception v3模型的道路交通标志识别研究[J]. 林宇,陈晓勇.  江西科学. 2018(05)
[2]基于RCS统计特征的船舶目标识别方法[J]. 纪永强,刘通,徐高正,石宇豪,张玉萍,杨金鸿.  舰船科学技术. 2018(13)
[3]基于卷积神经网络的运输船舶分类识别方法[J]. 戚超,王晓峰.  微型机与应用. 2017(17)
[4]MFSC系数特征局部有限权重共享CNN语音识别[J]. 黄玉蕾,罗晓霞,刘笃仁.  控制工程. 2017(07)
[5]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月.  微型机与应用. 2017(10)
[6]基于多特征深度学习的人脸性别识别[J]. 蒋雨欣,李松斌,刘鹏,戴琼兴.  计算机工程与设计. 2016(01)
[7]利用多层视觉网络模型进行图像局部特征表征的方法[J]. 郎波,黄静,危辉.  计算机辅助设计与图形学学报. 2015(04)
[8]基于BP神经网络的船舰目标识别分类[J]. 梁锦雄,王刻奇.  舰船科学技术. 2015(03)
[9]基于稀疏自编码深度神经网络的林火图像分类[J]. 王勇,赵俭辉,章登义,叶威.  计算机工程与应用. 2014(24)
[10]基于Camshift的多特征自适应融合船舶跟踪算法[J]. 云霄,肖刚.  光电工程. 2011(05)



本文编号：3551854