紅外圖像目標分類在目標識別等領域有重要的應用價值,目前卷積神經網絡在可見光圖像分類方面達到了優(yōu)異的性能。但對于紅外圖像來說,由于有標記樣本數量少和圖像成像差異大,直接使用現有的網絡模型來處理紅外圖像無法取得理想效果。該文將可見光圖像作為源域,將紅外圖像作為目標域,在深度網絡中使用遷移學習方法來解決此問題。在遷移學習中,目標域網絡提取的特征越能體現出本域數據的真實分布,那么在此基礎上進行兩個域的分布適配就更加有效,遷移后的目標域網絡性能和泛化能力越好。該文首先利用大量無監(jiān)督的紅外樣本訓練了紅外圖像深度卷積自編碼器,增強了紅外圖像域網絡的特征表達能力。其次,通過減小源域和目標域的特征分布距離,使得兩個圖像域特征分布相似,從而將源域中深度網絡的學習能力遷移到目標域。經過上述改進,相比于可見光圖像預訓練微調的方法,分類準確率提升了11.27%。 

【文章來源】：電子科技大學學報. 2020年04期 北大核心

【文章頁數】：6 頁


本文編號：2934780