在目標識別中,隨著特征提取的技術手段發(fā)生變化,識別精準度也隨之變化。采用卷積神經網絡InceptionV3對船舶樣本進行分類識別,并引入遷移學習的思想避免網絡的過擬合。根據防撞對象、輪廓外形、地理環(huán)境的相似性開展個性特征下的遷移學習實驗,從而實現高精度的船舶與關聯場景目標的多分類識別,有力地驗證了基于Inception V3的遷移學習對船舶的特征提取具有較強的泛化能力。 

【文章來源】：計算機應用研究. 2020,37(S1)北大核心CSCD

【文章頁數】：3 頁

【參考文獻】：
期刊論文
[1]基于inception v3模型的道路交通標志識別研究[J]. 林宇,陳曉勇.  江西科學. 2018(05)
[2]基于RCS統計特征的船舶目標識別方法[J]. 紀永強,劉通,徐高正,石宇豪,張玉萍,楊金鴻.  艦船科學技術. 2018(13)
[3]基于卷積神經網絡的運輸船舶分類識別方法[J]. 戚超,王曉峰.  微型機與應用. 2017(17)
[4]MFSC系數特征局部有限權重共享CNN語音識別[J]. 黃玉蕾,羅曉霞,劉篤仁.  控制工程. 2017(07)
[5]谷歌TensorFlow機器學習框架及應用[J]. 章敏敏,徐和平,王曉潔,周夢昀,洪淑月.  微型機與應用. 2017(10)
[6]基于多特征深度學習的人臉性別識別[J]. 蔣雨欣,李松斌,劉鵬,戴瓊興.  計算機工程與設計. 2016(01)
[7]利用多層視覺網絡模型進行圖像局部特征表征的方法[J]. 郎波,黃靜,危輝.  計算機輔助設計與圖形學學報. 2015(04)
[8]基于BP神經網絡的船艦目標識別分類[J]. 梁錦雄,王刻奇.  艦船科學技術. 2015(03)
[9]基于稀疏自編碼深度神經網絡的林火圖像分類[J]. 王勇,趙儉輝,章登義,葉威.  計算機工程與應用. 2014(24)
[10]基于Camshift的多特征自適應融合船舶跟蹤算法[J]. 云霄,肖剛.  光電工程. 2011(05)



本文編號：3551854