基于集成迁移学习的新装备装甲车辆分类

摘要

在复杂的陆战环境中,图像分类技术是快速区分装甲车辆目标的一种重要手段。针对现有基于卷积神经网络(CNN)的主流分类算法对于训练样本的数量及质量有较高要求,在新装备装甲车辆图像分类任务中精度不足的问题,提出一种集成了两个基于不同学习策略的CNN的迁移学习方法。一个CNN在图像样本较易获取、数量充足的老式装甲车辆图像数据集上进行预训练,学习局部细节特征;另一个CNN在图像质量较低的新装备装甲车辆的虚拟图像数据集上进行预训练,学习全局特征。对预训练好的CNN均利用数量有限的新装备装甲车辆真实样本按照不同策略微调,提升表征能力。设计基于Optuna超参数优化框架的自学习模型集成机制,可对两个CNN的输出进行自主加权优化,进一步提高算法的分类准确率。实验结果表明,与随机初始化训练的同一模型相比,所提方法在新装备装甲车辆图像分类任务中准确率提高7%,有效缓解了训练样本偏少的问题。