基于改进RA-CNN的舰船光电目标识别方法

基于改进RA-CNN的舰船光电目标识别方法

论文摘要

针对光电图像中舰船分类检测困难的问题,提出一种基于改进循环注意卷积神经网络(recurrent attention convolutional neural network,RA-CNN)的舰船目标识别方法。该方法中的VGG19采用多个卷积层提取图像特征,注意建议网络(attention proposal network,APN)通过全连接层的输出定位特征区域,然后采用尺度依赖池化(scale-dependent pooling,SDP)算法选择VGG19中合适的卷积层输出进行类别判定,最后引入多特征描述特征区域,交叉训练VGG19和APN来加速收敛和提高模型精度。利用自建舰船数据集对方法进行测试,识别准确率较VGG19和RA-CNN有较大提升,识别准确率最高可达86.7%。

论文目录

  • 0 引 言
  • 1 RA-CNN模型简介
  • 2 系统模型
  •   2.1 预处理
  •   2.2 VGG-SDP分类
  •   2.3 MF-APN定位
  •   2.4 网络损失
  • 3 试验与结果分析
  • 4 结束语
  • 文章来源

    类型: 期刊论文

    作者: 霍煜豪,徐志京

    关键词: 舰船识别,细粒度图像分类,循环注意卷积神经网络,尺度依赖池化,交叉训练

    来源: 上海海事大学学报 2019年03期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    专业: 武器工业与军事技术,船舶工业,计算机软件及计算机应用

    单位: 上海海事大学信息工程学院

    基金: 国家自然科学基金(61673259)

    分类号: TP391.41;U674.7

    DOI: 10.13340/j.jsmu.2019.03.007

    页码: 38-43

    总页数: 6

    文件大小: 710K

    下载量: 165

    相关论文文献

    标签:;  ;  ;  ;  ;  

    基于改进RA-CNN的舰船光电目标识别方法
    下载Doc文档

    猜你喜欢