-
题名基于中心损失函数的小样本SAR图像识别方法
- 1
-
-
作者
毛轩昂
刘振国
姚陈芳
-
机构
北方自动控制技术研究所
战略支援部队中部预备役信息通信大队
-
出处
《火力与指挥控制》
CSCD
北大核心
2024年第5期172-178,183,共8页
-
文摘
提出了一种基于中心损失函数的监督学习方法,用于改善小样本下的合成孔径雷达(synthetic aperture radar,SAR)图像识别性能。该方法通过学习每个类别的类别中心,并惩罚样本的深度特征与其相应类别中心之间的距离,从而提高类间分离度和类内分散度。为了验证方法的有效性,将所提方法与常见的深度学习算法在MSTAR图像识别数据集上进行比较。实验结果表示,相较于其他深度学习模型,该方法在小样本情况下有着更为卓越的图像识别性能。
-
关键词
合成孔径雷达
小样本图像识别
中心损失函数
深度学习
-
Keywords
syntheticapertureradar
small sampleimagerecognition
center lossfunction
deeplearning
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名DenseNet在声纹识别中的应用研究
被引量：10
- 2
-
-
作者
张玉杰
张赞
-
机构
陕西科技大学电气与控制工程学院
-
出处
《计算机工程与科学》
CSCD
北大核心
2022年第1期132-137,共6页
-
基金
陕西省科技计划项目(2020GY-063)
西安市科技计划项目(2020KJRC0002)
西安市未央区科技计划项目(201816)。
-
文摘
为了提高声纹识别技术的识别性能,将DenseNet应用于语谱图实现声纹识别,从提高网络的运算效率和增强声纹特征的表征能力2个方面对DenseNet进行优化,提出采用深度可分离卷积来减少网络的参数量,以及增加中心损失函数项来提高声纹特征的表征能力。从训练结果可以看出,通过深度可分离卷积,网络的参数量减少了25.5%,模型大小减少了24.6%;从仿真结果可以看出,中心损失项的增加使声纹特征的聚类效果更加明显,提高了声纹特征的表征能力。因此,改进后的DenseNet在语谱图声纹识别领域取得了好的识别效果。
-
关键词
声纹识别
语谱图
DenseNet
深度可分离卷积
中心损失函数
-
Keywords
voiceprint recognition
spectrogram
DenseNet
depth separable convolution
center loss
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于改进残差网络和数据增强的鞋型识别算法
被引量：2
- 3
-
-
作者
张家钧
唐云祁
杨智雄
-
机构
中国人民公安大学侦查学院
-
出处
《电子测量技术》
北大核心
2021年第19期139-147,共9页
-
基金
公安部技术研究计划项目(2020JSYJC21)
中央高校基本科研业务费项目(2021JKF203)
上海市现场物证重点实验室开放课题基金项目(2021XCWZK04)资助。
-
文摘
在监控视频中搜索犯罪现场出现的嫌疑鞋型是目前侦破案件的重要手段,针对该手段自动化程度低、人工筛选易漏查等问题,提出一种基于改进深度残差网络和数据增强的鞋型识别算法。为增强网络特征提取能力,对深度残差网络进行了研究,在不增加任何参数量的前提下改进瓶颈结构,提升算法精度;针对瓶颈结构中下采样操作存在的问题,改进下采样模块,缓解网络下采样时信息丢失问题;引入Mixup和光学变换数据增强算法,建立数据之间的线性关系,丰富数据的多样性,进而增强网络模型的鲁棒性;最后,采取中心损失函数和Softmax损失函数联合训练的方法,使训练数据达到更好的聚类效果。为验证所提算法的有效性和实用性,在多背景鞋型数据集上对所提算法进行测试,测试结果表明,所提算法mAP、Rank-1精度分别达到66.83%、86.77%,可以有效提高网络识别精度。
-
关键词
鞋型识别
残差网络
瓶颈结构
Mixup算法
中心损失函数
-
Keywords
shoe type recognition
residual network
bottleneck structure
Mixup algorithm
center loss function
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度多尺度一维卷积神经网络的雷达舰船目标识别
被引量：31
- 4
-
-
作者
郭晨
简涛
徐从安
何友
孙顺
-
机构
海军航空大学
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2019年第6期1302-1309,共8页
-
基金
国家自然科学基金(61471379,61790551,61102166)
泰山学者工程专项~~
-
文摘
为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显著提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。
-
关键词
雷达目标识别
高分辨1维距离像
多尺度
卷积神经网络
中心损失函数
-
Keywords
Radar target recognition
High Resolution Range Profile (HRRP)
Multi-scale
Convolutional Neural Network (CNN)
Center loss
-
分类号
TN957.51
[电子电信—信号与信息处理]
-
-
题名融合自适应感受野与多支路特征的鞋型识别算法
- 5
-
-
作者
张家钧
唐云祁
杨智雄
-
机构
中国人民公安大学侦查学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第6期295-303,共9页
-
基金
公安部技术研究计划项目(2020JSYJC21)
中央高校基本科研业务费项目(2021JKF203)。
-
文摘
随着监控摄像头的普及和图侦技术的快速发展,“鞋印+监控”技战法成为公安机关侦破案件的重要手段。该技战法根据现场嫌疑鞋印推断出嫌疑鞋型,进而在犯罪现场周围监控视频中查找对应鞋型,锁定犯罪嫌疑人。然而现有鞋型识别算法无法充分提取嫌疑鞋印的重要特征,导致识别准确率降低。针对该问题,提出一种融合自适应感受野模块与多支路特征的鞋型识别算法。通过设计一种自适应感受野模块,使网络自适应选择合适大小的感受野特征,增强网络的特征提取能力,同时构建多支路特征融合模型,融合网络的深层和浅层特征,以充分利用有效特征进行鞋型识别,从而提高识别精度。在此基础上,采用中心损失函数和标签平滑损失函数联合训练的方法,在增大类间差距的同时缩小类内差距,增强模型的泛化能力。在多背景鞋型数据集上进行实验,结果表明,该算法Rank-1和mAP精度分别为79.77%和62.18%,具有较优的识别效果,为公安刑侦实战提供了一种可行方案。
-
关键词
鞋型识别
自适应感受野
特征融合
中心损失函数
标签平滑
-
Keywords
shoe type recognition
adaptive receptive field
feature fusion
Center Loss function
Label Smoothing(LS)
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
