陈瑞敏 1,2,3刘士建 1,3,*苗壮 1,2,3李范鸣 1,3
作者单位
摘要
1 中国科学院红外探测与成像技术重点实验室,上海  200083
2 中国科学院大学,北京  100049
3 中国科学院上海技术物理研究所,上海  200083
针对空中红外目标样本数目不足、细粒度分类精度低等问题,提出一种基于元学习的少样本红外空中目标分类的方法。该方法以元学习为基础,结合多尺度特征融合,在减少计算量的同时有效提取不同分类任务之间的共性,再利用微调策略实现对不同任务的分类。实验证明,此方法在提升mini-ImageNet数据集分类精度的同时可减少约70%的计算量,对仅有少量样本的红外空中目标细粒度分类准确率可达到92.74%。
红外图像 细粒度分类 少样本学习 元学习 多尺度特征融合 微调 infrared image fine-grained classification few-shot learning meta learning multi-scale feature fusion fine-tuning 
红外与毫米波学报
2021, 40(4): 554
苗壮 1,2张湧 1,*陈瑞敏 1,2李伟华 1,2
作者单位
摘要
1 中国科学院上海技术物理研究所红外探测与成像技术重点实验室, 上海 200083
2 中国科学院大学电子电气与通信工程学院, 北京 100049
针对红外探测系统对目标检测的实时性要求,提出了一种基于关键点的快速红外目标检测方法。以目标中心作为目标检测关键点,首先设计了轻量化的特征提取网络,之后结合红外目标较小的特点,利用不同层次特征的空间信息和语义信息设计了相应的特征融合网络,并最终实现目标类别、位置和尺寸信息的预测。在自建空中红外目标数据集上对模型进行了对比测试,与YOLOv3等经典检测模型相比,检测速度大幅提高,检测精度仅略有下降;与同类型快速检测模型Tiny-YOLOv3相比,在模型尺寸压缩至Tiny-YOLOv3尺寸的23.39%的情况下,检测精度提高了8.9%,在中央处理器(CPU)上运行的检测速度亦提高了13.9 ms/frame,检测性能显著提升,验证了方法的有效性。
测量 机器视觉 深度学习 红外目标 目标检测 特征融合 
光学学报
2020, 40(23): 2312006

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!