基于深度卷积神经网络的小样本车型分类方法

发布时间：2021-12-09 00:23

　　针对战场军事车辆分类等任务的可供训练样本较少的车型分类任务,在Alex Net网络的基础上引入多尺度分支的思想,设计了多尺度特征提取卷积神经网络。仿照战场军用车辆数据集的特点,构建了复杂背景下多角度、多尺度、类间差异小、类内差异大的10类较细粒度车型分类数据集。所提出的方法在实验平台上达到了每张图片0.003 s的分类识别速度,依据算力计算具有嵌入式实时性应用的可能。结合自适应学习率等方法,在小样本车型分类数据集上实现了最高92%的分类准确率,同等实验条件下分类性能和训练速度均优于主流卷积神经网络Alex Net。提出的多尺度特征提取卷积神经网络在智能弹药或无人机进行军用车辆识别和部分民用场景等小样本车型分类场景中具有应用价值。 

【文章来源】：兵器装备工程学报. 2020,41(08)北大核心

【文章页数】：9 页

【部分图文】：

坦克图像局部性

同类车辆具有相同的特征，虽然可能位于图片中不同的位置，但是检测这些特征的模式是一致的。并且对于车辆目标图片，进行下采样操作完成图片缩放后图片的性质基本保持不变。基于这样的识别特性，Alex Net的网络结构如图2所示。输入图像为大小227×227像素的三通道数字图像，经过卷积层(Convolutional Layer,Conv)，池化层(Pooling Layer,Poo L)和全连接层(Full Connected Layer,FC)构成的前向传播通道，最终输出各类别的得分，依据得分高低来判断图像的种类。

卷积层是对每个通道的二维图像数据进行卷积操作，卷积操作由卷积核完成，如图3所示。卷积核是由可学习的参数集合的滤波器，通过卷积核在输入图像上按照一定步长进行滑动，依次通过卷积计算出特征映射神经元并组合成特征图(feature maps)。二维卷积公式为

【参考文献】：
期刊论文
[1]一种基于支持向量机中分离超平面求取的算法[J]. 易校石,刘念.  重庆工商大学学报(自然科学版). 2018(03)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[3]深度卷积神经网络的汽车车型识别方法[J]. 张军,张婷,杨正瓴,朱新山,杨伯轩.  传感器与微系统. 2016(11)
[4]基于深度卷积神经网络的车型识别研究[J]. 邓柳,汪子杰.  计算机应用研究. 2016(03)
[5]Jetson TK1平台实现快速红外图像背景预测算法[J]. 吴鑫,张建奇,杨琛.  红外与激光工程. 2015(09)

硕士论文
[1]基于深度学习的车型识别[D]. 应晨露.中国科学技术大学 2018
[2]深度学习算法在高光谱影像分类中的应用研究[D]. 郭守恒.成都理工大学 2017



本文编号：3529538