基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
实际场景中采集的船舶目标类别样本数量不均衡,模型训练易导致过拟合.传统迁移学习的数据集划分存在类别交叉,造成未标注新类别识别精度低.为解决上述问题,提出了一种跨目标通用全局注意力机制与关系度量网络融合的小样本船舶识别算法.该方法通过在关系网络中引入全局注意力机制,利用关系网络提取到的原始特征,经过全局注意力机制平滑不均衡类别间的目标特征,并与关系网络提取的原始特征融合后进行特征距离度量.该方法增强了全局特征之间的一致性,有利于学习不变的目标特征,提升少样本少标签的船舶目标识别性能,解决了训练过程中类别不均衡导致的过拟合问题.利用自己采集制作的船舶数据集对本文方法进行测试实验,识别精度提高了 5.6%(5-shot)、3.2%(1-shot),减小了不均衡类别对模型目标识别造成的影响,增强了模型的鲁棒性.
推荐文章
具有全局特征的空间注意力机制
卷积神经网络
空间注意力机制
全局特征
特征融合
目标分类
目标检测
基于特征关系依赖网络的小样本学习方法
深度学习
小样本学习
度量学习
特征优化
原型调整
基于改进关系网络的小样本学习
小样本学习
关系网络
inception块
感受野块
多注意力机制下自愈人脸表情识别
人脸表情识别多
注意力机制
自愈
不确定性
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 全局注意力关系网络的小样本船舶识别
来源期刊 仪器仪表学报 学科 工学
关键词 小样本 船舶识别 全局注意力 关系度量网络
年,卷(期) 2021,(12) 所属期刊栏目 视觉检测与图像测量|Visual Inspection and Image Measurement
研究方向 页码范围 220-227
页数 8页 分类号 TH89|TP391.4
字数 语种 中文
DOI 10.19650/j.cnki.cjsi.J2108456
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2021(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
小样本
船舶识别
全局注意力
关系度量网络
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
仪器仪表学报
月刊
0254-3087
11-2179/TH
大16开
北京市东城区北河沿大街79号
2-369
1980
chi
出版文献量(篇)
12507
总下载数(次)
27
总被引数(次)
146776
论文1v1指导