10.15918/j.tbit1001-0645.2019.148
一种元-卷积网络和持续学习融合的洞库类目标识别方法
洞库类目标是高价值识别目标,针对洞库类目标样本数据难以获得、样本内部数据相似度较高、人工设计识别特征方法局限性较大、普通深度网络需要海量数据等问题,提出了结合元学习和深度卷积网络的元-卷积网络(MCNN),并融合持续学习理论的洞库类目标识别方法(MCNN-LLS).首先结合深度卷积网络、元学习的理论建立元-卷积网络,该网络可利用旧知识指导新知识的训练,利用小样本数据即可训练得到识别能力较高的深度洞库模型;然后融合持续学习理论,建立持续学习系统(LLS),设计专家审核模型判别深度洞库模型的识别结果,并引入潜在任务、模型异步更新等方法,达到模型持续学习、持续更新的效果.实验表明,本文方法所需样本数量少,对洞库类目标识别准确率高,且识别能力可随识别过程中新数据的积累逐步提高.
洞库类目标、目标识别、深度卷积网络、元学习、持续学习
40
TP751(遥感技术)
国家科技支撑计划资助项目2015BAK04B02
2020-07-28（万方平台首次上网日期，不代表论文的发表时间）
共6页
655-660
