原文传递
少量标签样本条件下的SAR船舶图像分类算法研究
| 论文题名： | 少量标签样本条件下的SAR船舶图像分类算法研究 |
| 关键词： | 合成孔径雷达;深度学习;船舶目标识别;小样本学习 |
| 摘要： | 合成孔径雷达(SyntheticApertureRadar,SAR)在很多民用及军用领域都扮演着十分重要的角色。由于其具有全天时、全天候、大范围的观测能力，SAR图像的应用场景越来越多，其中就包括SAR船舶图像分类。传统的SAR船舶图像分类算法倾向于使用分阶段的分类方法，第一阶段为人工特征提取，第二阶段为将特征输入到训练好的分类器当中，最终得到分类结果。但该种方法过于依赖人工经验，且SAR图像特征尺度极易发生改变，导致分类算法的范化能力不强。之后，随着深度学习技术的兴起，以卷积神经网络为代表的深度神经网络可通过端到端的训练来自动完成特征学习及分类任务，一定程度上提高了算法精度和范化能力。但深度学习所需求的标注样本量较大，且SAR图像标注成本较高，需要较多的专家经验，故深度神经网络分类效果有限。由此，本文研究了不同小样本条件下的SAR船舶图像分类算法。 首先，基于全监督学习场景，在少量标注样本的条件下，提出了一种基于分阶段端到端训练方法。第一阶段设计了一种深度卷积神经网络，该网络能够进行正常的端到端图像分类任务，即自动学习特征提取过程和特征分类过程，训练流程与其他图像分类任务相同。第一阶段训练完成后，即可将训练完成的一阶段网络作为骨干网络，并将作为特征提取网络的部分参数固定，独立出来，作为自动特征提取器，为第二阶段的预处理部分。第二阶段设计一个度量网络，将特征空间内的特征进行自动聚类，根据聚类结果进行分类，并得到最终结果。 其次，基于半监督学习场景，在较少标注样本和较多无标注样本的条件下，提出了一种无标签数据增强方法，通过对无标签数据进行数据增强操作，并度量增强前后数据在网络中输出概率的一致性，来使网络学习到其中的隐藏信息，以此来提升算法的分类准确率。 最后，基于迁移学习场景，在需要由源域迁移至目标域，且目标域的标注样本量较少的条件下，提出了一种基于自适应特征的网络微调方法，该方法能够根据源域和目标域中的特征分布，来自适应地调整输入到分类网络中的特征值，进而提高算法的分类精度。 |
| 作者： | 李想 |
| 专业： | 信息与通信工程 |
| 导师： | 李一兵 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工程大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
