改进的Cifar-10模型在装甲目标二分类中的应用
2019-09-02谢晓竹
谢晓竹,薛 帅
(陆军装甲兵学院 信息工程系, 北京 100072)
当前,随着信息技术在军事战场中的应用,战场目标识别成为战场侦察的一项重要手段。如何在第一时间内发现并识别目标,并对目标种类进行快速分析,准确判断,已成为军事领域研究的热点。图像分类技术作为这一研究领域的基础内容,在实际应用中具有很大的现实意义。
目前,卷积神经网络被广泛应用于图像分类领域。其原理是模拟人类的视觉系统对原始图像进行层次化的抽象处理进而产生分类结果[1]。
Cifar-10模型是卷积神经网络的一种,但传统的网络参数在图像分类应用中存在着准确率低,误判率高等问题[2-3],在战场目标识别的实际应用效果不能满足需求。本文重点分析了Cifar-10模型实验中网络参数对实验结果的影响,进行了改进网络参数的实验,并将优化的网络模型应用于装甲目标二分类实验中,通过实验验证了所提出改进方法的有效性,得到了较好的应用效果。
1 传统的Cifar-10实验分析
1.1 卷积神经网络及Cifar-10模型介绍
卷积神经网络(convolution neural network,CNN)通常由卷积层(Convolutional Layer,Conv),池化层(Pooling Layer,PooL)和全连接层(Full Connected Layer,FC)构成[4]。其结构如图1所示。

图1 卷积神经网络结构
Cifar-10模型是一个CNN模型,由卷积层,池化层,relu函数以及局部对比归一化线性分类器组成的[5-6]。使用的网络模型名字是Cifar10-NET,其网络结构有关数据如表1所示。

表1 Cifar10-NET网络结构
1.2 实验环境搭建
文中搭建的实验平台采用的硬件和软件如表2所示。

表2 实验平台搭建采用的硬件和软件
数据集为Cifar-10的二进制数据集,通过Matlab将其转化为Caffe平台能够识别的leveldb格式。……
