陈婷婷

摘要：针对传统机场识别方法识别速度慢、准确率低的问题，迁移学习经典AlexNet网络模型参数用于机场识别问题，在MatLab上进行仿真，实验表明该方法能有效提高机场识别率。

关键词：机场识别；卷积神经网络；支持向量机

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2018）21-0202-02

1 前言

机场作为集军事与民生意义于一体的特殊目标，在卫星图像中对其进行识别有重要意义。传统机场识别方法主要是集中于机场跑道检测，需要经过复杂的图像预处理、边缘检测及直线提取过程，在此基础上构造人工特征并提取，该方法识别效率低下且已经达到瓶颈。卷积神经网络因其强大的特征学习能力与优异的识别性能在近几年被广泛应用于目标识别领域。本文采用AlexNet实现机场识别，在MatLab上进行仿真，验证迁移AlexNet的有效性及其识别能力。

2 卷积神经网络经典模型

卷积神经网络（Convolutional neural networks，CNN）是一种众所周知的深度学习结构，灵感来源于高级动物的自然感知机制。卷积神经网络是由一系列卷积层、整流单元、池化层、全连接层之后输出一个多维向量，经过分类函数得到图像类别。与人工神经网络最大的不同便是CNN的卷积层，这也是卷积神经网络的得名原因。卷积神经网络自LeNet开始出现了很多经典的、被广泛应用的模型结构。

LeNet-5是Lecun基于Fukuhiko的研究首个将BP算法与卷积网络结合，是早期卷积神经网络最具代表性的实现，因其无需预处理步骤，可以直接对原始图像进行特征提取与目标识别，当时被许多银行与邮局用来识别手写数字。但是由于当时数据集规模及硬件局限，没有推广开来。后来Alex Krizhevsk基于LeNet-5提出了更深更广的网络模型AlexNet（如图1所示），在当时以显著的优势赢得了ILSVRC 2012比赛冠军，top-5的错误率降低至了16.4%，该网络由五个卷积层和三个全连接层组成，基本上每个卷积层都包含三个部分，分别是卷积层、修正线性单元和最大池化层，同时AlexNet使用GPU进行运算加速，这使得网络更深更广成为可能[1]。

VGG整个网络使用尺寸为3*3，步长为1的卷积核堆叠而成，用于大规模图像识别，主要是为了探索网络深度与性能之间的关系。

Google团队提出了Inception模块（如图2所示），将1*1、3*3、5*5的卷积核进行并行计算来提高网络深度与宽度，加强网络特征表达能力[2]。之后，又构建了各种Inception的变体。为解决内部协方差偏移问题，V2引入BN（batch normalization），收敛速度比V1快。V3是将n*n的卷积核分解为1*n与n*1的组合，加快计算的同时加深网络深度，加强网络特征表达能力。最后又将各种优秀的模块进行组合，使网络能够同时解决各种常见问题的同时提高网络识别性能，其中以Inception-ResNet-V2性能最佳。

文章[3]引入了一种深度残差学习网络来解决网络退化问题。通过加入一个恒等映射（Identity Mapping）（如图3所示），使得优化问题从原来的各经典模型在验证集上的Top-5错误率如表1所示，可以看出识别错误率随着网络深度的加深而降低。而谷歌团队通过增加网络宽度达到了与增加网络深度相同甚至更好的识别效果。

3 实验与结果分析

本文数据集是从GoogleEarth上获取的256*256*3的RGB图片（样本示例如图所示）。其中训练集1400张图片，测试集340张图片，训练过程中将训练集以8：2随机分为训练集与验证集，本文实验仿真均在MatLab平台上完成。

迁移学习AlexNet，针对机场识别问题改变最后一层，神经元个数设置为2，对应机场与非机场两个类别。学习率为0.0001，mini-batch设置为10，最大训练轮数为12，训练停止条件为：当验证集上的正确率下降5次停止训练。训练进程如图所示，网络在训练11轮时，达到停止条件，训练停止。从图中的曲线可以看出网络在训练6轮后达到最优，此时的训练集误差与验证集误差差距最小，之后網络开始过拟合。

将训练所得的11个网络分别用于测试集，得到识别结果如表2与图6所示，可以看出，训练7轮所得的网络在测试集上的识别准确率为96.76%，之后识别率逐渐下降，说明网络出现过拟合。

4 小结

本文采用迁移学习AlexNet模型参数实现机场识别，实验结果表明，迁移学习可以加快网络的训练速度，同时证明了卷积神经网络即使是在背景信息复杂的机场识别问题上，依然有强于传统识别方法的性能。

参考文献：

[1] Krizhevsky A， Sutskever I， Hinton G E. ImageNet classification with deep convolutional neural networks[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2012：1097-1105.

[2] Szegedy C， Liu W， Jia Y， et al. Going deeper with convolutions[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society， 2015：1-9.

[3] He K， Zhang X， Ren S， et al. Deep Residual Learning for Image Recognition[J]. 2015：770-778.

【通联编辑：代影】