基于CNN-SVM的地下目标形状识别

TN955; 针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络(CNN)能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法.本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别.实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度....

Full description

Saved in:
Bibliographic Details
Published in南昌大学学报（理科版） Vol. 45; no. 1; pp. 91 - 96
Main Authors 张天助, 周辉林, 杨仙
Format Journal Article
LanguageChinese
Published 南昌大学信息工程学院,江西 南昌 330031%南昌大学信息工程学院,江西 南昌 330031 2021
景德镇陶瓷大学机械电子工程学院
Subjects
支持向量机
特征提取
形状识别
卷积神经网络
Online AccessGet full text

Cover

More Information
Summary:TN955; 针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络(CNN)能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法.本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别.实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度.
ISSN:1006-0464
DOI:10.3969/j.issn.1006-0464.2021.01.015