基于卷积神经网络迁移学习的SAR图像目标分类

被引：18

作者：

刘晨 ^{[1
]}

曲长文 ^{[1
]}

周强 ^{[2
]}

李智 ^{[1
]}

李健伟 ^{[1
]}

机构：

[1] 海军航空工程学院电子信息工程系

[2] 海军航空工程学院科技部

来源：

现代雷达 | 2018年 / 40卷 / 03期

关键词：

迁移学习; 卷积神经网络; 超限学习机; 合成孔径雷达图像;

D O I：

10.16592/j.cnki.1004-7859.2018.03.009

中图分类号：

TN957.52 [数据、图像处理及录取];

学科分类号：

080904 ; 0810 ; 081001 ; 081002 ; 081105 ; 0825 ;

摘要：

为提高卷积神经网络(CNN)对小样本目标集的分类识别效果,提出一种基于卷积神经网络迁移学习的目标分类方法。该方法首先通过大样本数据集对卷积神经网络的结构参数进行预训练;其次,用超限学习机(ELM)代替卷积神经网络中的全连接层,实现卷积神经网络的迁移学习;最后,通过小样本数据集对超限学习机网络结构参数进行训练,得到新的分类识别模型。在MSTAR和SAR舰船目标数据集上的实验结果表明,该算法提高了目标分类识别准确率和降低了训练时间。

引用

页码：38 / 42

页数：5

共 6 条

[1]

BP神经网络和ELM算法研究.[D].王智慧.中国计量学院.2012, 02

[2]

Extreme learning machine: Theory and applications.[J].Guang-Bin Huang;Qin-Yu Zhu;Chee-Kheong Siew.Neurocomputing.2006, 1

[3] 基于卷积神经网络的SAR图像目标识别研究. [J].

田壮壮 ;

占荣辉 ;

胡杰民 ;

张军 .

雷达学报, 2016, 5 (03) :320-325

[4] 深度学习研究综述 [J].

尹宝才 ;

王文通 ;

王立春 .

北京工业大学学报, 2015, 41 (01) :48-59

[5] 迁移学习研究进展 [J].

庄福振 ;

罗平 ;

何清 ;

史忠植 .

软件学报, 2015, 26 (01) :26-39

[6] SAR图像舰船目标识别综述 [J].

陈文婷 ;

邢相薇 ;

计科峰 .

现代雷达, 2012, 34 (11) :53-58

← 1 →