FAILED
首站-论文投稿智能助手
典型文献
基于特征迁移和原型网络的小样本雷达像识别
文献摘要:
克服深度学习训练数据不足问题的主流方法是深度迁移学习,当目标域训练样本缺失不严重且目标域与源域样本空间相差不大时,该方法的性能几乎不亚于在充足训练样本集上训练得到的深度模型;但当训练样本数很少甚至只有几个时,该方法会由于过拟合导致模型泛化能力太差而失效.在非合作目标雷达像识别中,往往难以获取充足的训练图像样本.针对这一问题,文中将单样本学习(OSL)引入训练样本极少情况下的雷达像识别中,提出了一种特征迁移和原型网络相结合的小样本雷达像识别新方法.文中详细描述了该方法原理及流程,并采用MSTAR数据集对所提方法进行了实验验证.实验结果表明,在目标域训练样本数量极少的情况下,所提方法的识别性能优于传统的深度迁移学习方法.
文献关键词:
单样本学习;特征迁移;原型网络;雷达像识别
作者姓名:
高勋章;刘迪阳;杨宜
作者机构:
国防科技大学电子科学学院,长沙410073
文献出处:
引用格式:
[1]高勋章;刘迪阳;杨宜-.基于特征迁移和原型网络的小样本雷达像识别)[J].现代雷达,2022(04):50-55
A类:
雷达像识别
B类:
特征迁移,原型网络,小样本,学习训练,训练数据,不足问题,主流方法,深度迁移学习,目标域,不严,源域,样本空间,不亚于,训练样本集,练得,深度模型,法会,过拟合,模型泛化,泛化能力,太差,非合作目标,训练图像,像样,单样本学习,OSL,极少,详细描述,方法原理,MSTAR,样本数量,识别性,迁移学习方法
AB值:
0.383354
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。