文献类型：期刊文章

作　　者：周彦[1] 陈少昌[1] 吴可[1] 宁明强[1] 陈宏昆[2] 张鹏[1]

ZHOU Yan;CHEN Shao-chang;WU Ke;NING Ming-qiang;CHEN Hong-kun;ZHANG Peng(School of Electronic Engineering,Naval University of Engineering,Wuhan 430033,China;292118 Troops of PLA,Zhoushan,Zhejiang 316000,China)

机构地区：[1]海军工程大学电子工程学院,武汉430033 [2]中国人民解放军92118部队,浙江舟山316000

出　　处：《计算机科学》

基　　金：国家自然科学基金(61671461)。

年　　份：2021

卷　　号：48

期　　号：S02

起止页码：334-339

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：近年来,卷积神经网络(CNN)在大规模自然图像数据集(如ImageNet,COCO)中获得了广泛应用,但在声呐图像检测识别领域的应用研究较缺乏,其存在声呐图像目标检测和分类数据集缺乏且水下目标样本往往面临样本稀少、不平衡等问题。针对这一问题,在进行广泛收集声呐图像的基础上,构建了一个完全公开的、可以用于开展声呐图像检测和分类研究的声呐常见目标检测数据集SCTD1.0,该数据集目前已包含水下沉船、失事飞机残骸、遇难者3类典型目标,共计596个样本。在SCTD1.0的基础上,文中采用迁移学习的方式测试了检测和分类的基准,具体来说:针对检测任务,使用特征金字塔网络对多尺度特征进行组合利用,比较了YOLOv3,Faster R-CNN,Cascade R-CNN这3种检测框架在本数据集上的性能表现;针对分类任务,对比了VGGNet,ResNet50,DenseNet 3种网络的分类性能,分类准确率达到了90%左右。

关 键 词：声呐图像 数据集 卷积神经网络 迁移学习  检测与分类  

分 类 号：TP391] TB566[计算机类]