|
|
|
| 基于CNN-SVM的地下目标形状识别 |
| 张天助周辉林杨仙 |
| 景德镇陶瓷大学机械电子工程学院 南昌大学信息工程学院 |
|
|
|
|
摘要 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。
|
|
| 关键词 ：
卷积神经网络,
支持向量机,
特征提取,
形状识别
|
|
|
| 基金资助:国家自然科学基金资助项目（61561034）； 江西省自然科学基金资助项目（2015BAB207001）； |
| [1] |
韩璐宋海亮宋佳刘太豪. 基于特征提取的FA-BP短期光伏发电预测[J]. 南昌大学学报（工科版）, 2021, 43(1): 85-. |
| [2] |
沈华 熊开宇 闫斌 邱桃荣. 知识图谱的用户兴趣向量化方法及应用[J]. 南昌大学学报（理科版）, 2020, 44(6): 610-. |
| [3] |
朱梅 陈易萍 姚毅 樊中奎 李渤. 基于深度学习的非对齐人脸验证方法[J]. 南昌大学学报（理科版）, 2020, 44(5): 496-. |
| [4] |
董晓睿商凯杨建磊崔健. 针对气体传感器漂移补偿的支持向量机自训练分类方法[J]. 南昌大学学报（理科版）, 2020, 44(4): 397-. |
| [5] |
刘卓邹淑丽上官鹏鹏邱桃荣白小明. 基于函数型数据分析的疲劳驾驶状态识别[J]. 南昌大学学报（工科版）, 2020, 42(2): 194-. |
| [6] |
于海雯易昕炜徐少平刘婷云李崇禧. 一种基于卷积神经网络的快速噪声水平估计算法[J]. 南昌大学学报（理科版）, 2019, 43(5): 497-. |
| [7] |
林子黄薏辰张扬刘诚杨俊清. 基于支持向量机相关性分析的波浪能发电电力负荷预测[J]. 南昌大学学报（理科版）, 2019, 43(5): 504-. |
| [8] |
董晓睿饶泓崔浩赵光秋万爱辉. 一种启发式的支持向量机多分类层次树结构构造方法[J]. 南昌大学学报（理科版）, 2019, 43(3): 296-. |
| [9] |
郑超英叶贝鸽刘萍邱桃荣. 一种基于核主成分分析的驾驶疲劳状态预测方法[J]. 南昌大学学报（理科版）, 2019, 43(2): 182-. |
| [10] |
车小磊李向军沈华吴青松李子健唐丽君. 一种基于局部核校准的核评估标准[J]. 南昌大学学报（理科版）, 2018, 42(3): 300-. |
| [11] |
段文影饶泓段隆振马海亮. 基于IA参数寻优组合核的SVM文本分类研究[J]. 南昌大学学报（理科版）, 2018, 42(3): 289-. |
| [12] |
陈铭钧陶凌李富贵刘九畅. HHT在白细胞亚群分类算法中的应用[J]. 南昌大学学报（理科版）, 2018, 42(1): 72-. |
| [13] |
肖露欣李增祥马建陈克绪吴建华. 基于降噪自编码的电能质量扰动识别[J]. 南昌大学学报（理科版）, 2017, 41(06): 591-. |
| [14] |
赖清衷卫声熊鹏文黄嘉诚任倩茹. 基于BP神经网络与多分类支持向量机的水质识别与分类[J]. 南昌大学学报（理科版）, 2016, 40(06): 563-. |
| [15] |
饶泓； 陈慧佳； 董晓睿. 基于三元矩阵的层次分析多分类模型[J]. 南昌大学学报（理科版）, 2015, 39(04): 347-. |
|
|
|
|
