基于深层-浅层双流学习图模型的无监督少样本红外空中目标识别网络

TP391.4; 在军事空中目标识别领域,由于样本数量缺失,现有人工智能算法无法完成准确识别.文章利用已有足量辅助域图像辅助少样本应用域进行跨域目标识别,解决因标签缺失与样本稀疏导致的识别模型泛化能力不强及性能不佳问题.文章提出一种基于深层-浅层双流学习图模型(D-SLGM)的跨域目标识别算法.首先,提出一种深层-浅层双流特征提取算法,解决无监督少样本条件下特征表示困难的问题;同时,提出一种基于图模型的特征融合算法,实现特征间高精度融合;基于融合后的特征训练识别模型,提升算法的泛化能力.使用自建空中目标数据集,设计三种应用场景.实验结果表明,D-SLGM平均识别准确率均值达到78.2%,优于对...

Full description

Saved in:
Bibliographic Details
Published in红外与毫米波学报 Vol. 42; no. 6; pp. 917 - 924
Main Authors 李雨泽, 张岩, 陈宇, 杨春玲
Format Journal Article
LanguageChinese
Published 哈尔滨工业大学 电气工程及自动化学院,黑龙江 哈尔滨 150001%山东科技大学 电气与自动化工程学院,山东 青岛 266590 2023
Subjects
object recognition
graph convolutional network
特征提取
特征融合
feature fusion
feature extraction
目标识别
图卷积网络
unsupervised few-shot learning
无监督少样本学习
Online AccessGet full text
ISSN1001-9014
DOI10.11972/j.issn.1001-9014.2023.06.025

Cover

More Information
Summary:TP391.4; 在军事空中目标识别领域,由于样本数量缺失,现有人工智能算法无法完成准确识别.文章利用已有足量辅助域图像辅助少样本应用域进行跨域目标识别,解决因标签缺失与样本稀疏导致的识别模型泛化能力不强及性能不佳问题.文章提出一种基于深层-浅层双流学习图模型(D-SLGM)的跨域目标识别算法.首先,提出一种深层-浅层双流特征提取算法,解决无监督少样本条件下特征表示困难的问题;同时,提出一种基于图模型的特征融合算法,实现特征间高精度融合;基于融合后的特征训练识别模型,提升算法的泛化能力.使用自建空中目标数据集,设计三种应用场景.实验结果表明,D-SLGM平均识别准确率均值达到78.2%,优于对比方法,在实际空中目标识别应用中具有较大潜力.
ISSN:1001-9014
DOI:10.11972/j.issn.1001-9014.2023.06.025