一种改进的航母图像型号级细粒度分类方法

发布时间：2022-01-28 00:36

　　当前,航母作为各军事强国的重点侦察对象,航母自动识别可以极大地减轻分析人员的工作量。经典的通用目标识别通常仅判定目标图像是一个航母,而无法识别航母的型号,为此针对航母图像型号级的细粒度分类任务开始出现,但是现有方法对于型号级的分类精度还不够有效。因此,提出了一种改进的航母图像型号级细粒度分类方法。该方法提出了一种新的分类器head,与经典卷积神经网络组成一个端到端学习的网络模型。所提出的分类器head由组合池化、高效降维、标签平滑等模块组成。在公开的航母图像型号级细粒度分类数据集上进行了评测,所提方法较现有方法获得了较好的性能提升。该方法思想简单、易于实现、扩展性强,能够与各种卷积神经网络进行组合,提升细粒度分类精度。 

【文章来源】：计算机应用研究. 2020,37(S2)北大核心CSCD

【文章页数】：3 页

【部分图文】：

SCH网络框架示意图

本文对文献[9]所提出的SCH进行了优化改进，提出了一种改进的高效分类器head(ECH)，如图2所示。ECH由一个组合池化模块、高效降维模块(E-DRM)以及标签平滑softmax分类器模块组成。其中，E-DRM模块由一个1×1卷积滤波器、一个批量归一化模块和一个更有效的Mish激活函数[10]组成。为减少过拟合，与SCH类似，在分类器前增加一个dropout层，并设置丢弃率为0.5。2.1 骨干网络

从图3中可以直观地看出L61型号全部分类正确，其他型号均有被误分类的情况，其中CVN72达到了84%的误分率。对比各类误分率可以发现，CVN68～CVN78的类别之间极易被错分。造成错分的主要原因在于这些型号类别的航母均为美军核动力航母，除舷号外个体之间差异极小。相对而言，中、俄、印、意、英、法等国航母型号由于外观差异(除舷号外一般还存在其他较容易分辨的部位，如航母的塔台)具有相对较高的分类准确率。同时，图4展示了Res Net-50骨干网络条件下ECH方法部分错分样例，其中T:XXX为真实类别，P:XXX为预测类别。在测试集上，共有207张图像被错分。

【参考文献】：
期刊论文
[1]舰船目标识别技术研究进展[J]. 马啸,邵利民,金鑫,徐冠雷.  科技导报. 2019(24)
[2]改进的YOLO模型及其在舰船目标识别中的应用[J]. 马啸,邵利民,金鑫,徐冠雷.  电讯技术. 2019(08)
[3]基于组合特征的航母目标识别方法[J]. 张润鑫,武文波,陈瑞明.  航天返回与遥感. 2018(02)
[4]基于最小惯性轴的航母目标识别方法[J]. 许少宝,王蜂,陈聪.  激光与红外. 2013(04)



本文编号：3613361