基于迁移学习和特征融合的航空器图像分类算法

被引：2

作者：

陈兵 ^{[1
]}

查宇飞 ^{[1
]}

张胜杰 ^{[1
]}

李运强 ^{[1
]}

张园强 ^{[1
]}

机构：

[1] 空军工程大学航空航天工程学院

来源：

火力与指挥控制 | 2018年 / 07期

关键词：

迁移学习; 航空器图像分类; 卷积神经网络; 特征融合;

D O I：

暂无

中图分类号：

E926 [空军武器]; TP391.41 [];

学科分类号：

080203 ; 0826 ; 082601 ;

摘要：

航空器目标的分类是空战中作战方案制定的重要环节,目前在航空器图像分类方面的研究很少,数据库也少之甚少。在自然图像分类领域存在的特征表达方法主要是对图像的颜色、纹理、梯度等特征进行编码,但这些浅层特征不能体现出图像的深层语义信息,而卷积神经网络(CNN)有着强大的特征表达能力,但小规模数据库直接训练网络会造成模型过拟合。针对这些问题,组建一个具有8 000张图片、10类的航空器图像数库并提出了一种基于迁移学习和特征融合的航空器图像分类算法,算法用卷积神经网络来提取图像的特征,提出用迁移学习的思想来训练网络,从而减轻了模型过拟合,在此基础上提出特征融合算法,融合深度特征和浅层特征,弥补了单一特征对图像信息表达的不足。在实验中,用航空器图像数据库来验证算法的有效性,结果表明,算法能够有效地进行航空器图像的分类。

引用

页码：140 / 144 +150

页数：6

共 14 条

[1]

Imagenet:a large-scale hierarchical image database. Deng J,Dong W,Socher R,et al. IEEE Conference on Visi-on and Pattern Recognition . 2009

[2]

CNN features off-the-shelf: an astounding base-line for recognition. Sharif Razavian A,Azizpour H,Sullivan J, et al. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops . 2014

[3] 改进复杂网络模型的形状特征提取 [J].

阮瑞 ;

江波 ;

汤进 ;

罗斌 .

中国图象图形学报, 2014, 19 (09) :1332-1337

[4]

多信息融合图像边缘特征提取及图像配准研究与应用[D]. 张浩.浙江大学 2008

[5]

空战飞机目标的识别与跟踪研究[D]. 梅蓉.南京航空航天大学 2005

[6] Backpropagation Applied to Handwritten Zip Code Recognition [J].

LeCun, Y. ;

Boser, B. ;

Denker, J. S. ;

Henderson, D. ;

Howard, R. E. ;

Hubbard, W. ;

Jackel, L. D. .

NEURAL COMPUTATION, 1989, 1 (04) :541-551

[7]

A comparison of methods for multi-class support vector machines. Hsu C W,Lin C J. IEEE Transactions on Neural Networks . 2002

[8]

Histograms of oriented gradients for human Detection. Dalal N,Triggs B. CVPR . 2005

[9]

Deep learning. Lecun Y,Bengio Y,Hinton G. Nature . 2015

[10]

Very deep convolutional networks for large-scale image recognition. SIMONYAN K,ZISSERMAN A. Computer science . 2014

← 1 2 →