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