迁移学习在舰船识别中的应用
2018-11-05邢世宏杨晓东单玉浩
舰船科学技术 2018年10期
关键词:模型
邢世宏,杨晓东,单玉浩
(海军潜艇学院,山东 青岛 266000)
0 引 言
舰船识别一直以来都处于相对落后的状态,关注该领域的学者较少,舰船识别的问题一直都没有得到很好的解决。舰船识别和其他领域的识别有相似之处,都受环境因素影响比较大。影响因素主要包括低能见度、云及海况等复杂背景杂波因素;观测摄像机角度相对舰船的角度;遮挡因素。这些因素导致给舰船识别带来了很大的困难。识别方法主要采用传统机器学习及模式识别方法[1–4],但传统技术无法满足现实的需求。这些技术需要专家手工设计出特征提取器,只有好的特征提取器才能提高识别系统的性能,然而手工设计需要设计者大量的先验知识并消耗大量的时间,因此很难利用大量的数据。除此之外,传统方法依赖手工调参数,因此特征的设计中允许出现的参数量十分有限。随着2012年Alex Krizhevsky的AlexNet[5]在ILSVRC[6]竞赛中获得冠军,深度学习模型在ImageNet[7]数据集上展现了惊人的能力,同时在GPU高度并行处理计算的支持下,网络变深、宽度变宽,卷积层数及参数量增多,模型的Top-5错误率从2012年 AlexNet的 16.4% 降至 2015年 ResNet[8]的3.57%,已经达到了state-of-the-art,深度卷积神经网络在识别领域表现出非常好的性能。
本文将深度卷积神经网络迁移到舰船目标识别中,在AlexNet模型基础上,调整顶部卷积层,并采用数据扩充技术[9–11]构建舰船数据集训练舰船识别模型,并对结果进行分析。
1 舰船图像数据集构建
现有的深度卷积神经网络复杂度较高,网络……
登录APP查看全文
