基于深度卷积神经网络的小样本车型分类方法

摘要：

针对战场军事车辆分类等任务的可供训练样本较少的车型分类任务,在AlexNet网络的基础上引入多尺度分支的思想,设计了多尺度特征提取卷积神经网络.仿照战场军用车辆数据集的特点,构建了复杂背景下多角度、多尺度、类间差异小、类内差异大的10类较细粒度车型分类数据集.所提出的方法在实验平台上达到了每张图片0.003 s的分类识别速度,依据算力计算具有嵌入式实时性应用的可能.结合自适应学习率等方法,在小样本车型分类数据集上实现了最高92％的分类准确率,同等实验条件下分类性能和训练速度均优于主流卷积神经网络AlexNet.提出的多尺度特征提取卷积神经网络在智能弹药或无人机进行军用车辆识别和部分民用场景等小样本车型分类场景中具有应用价值.

关键词：卷积神经网络、车型识别、小样本数据集、细粒度、智能弹药

所属期刊栏目：41

分类号：TJ413.6;E919;TP391.41;TP183(弹药、引信、火工品)

资助基金：装备预研兵器工业联合基金项目6141B012858

在线出版日期：2020-10-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：193-200,221