文献类型：期刊文章

作　　者：赵明钧[1] 程英蕾[1] 秦先祥[1] 王鹏[1] 文沛[2] 张碧秀[3]

ZHAO Mingjun;CHENG Yinglei;QIN Xianxiang;WANG Peng;WEN Pei;ZHANG Bixiu(Information and Navigation School,Air Force Engineering University,Xi’an 710077,China;Unit 93575,Chengde 067000,Hebei,China;Unit 93897,Xi’an 710077,China)

机构地区：[1]空军工程大学信息与导航学院,西安710077 [2]93575部队,河北承德067000 [3]93897部队,西安710077

出　　处：《空军工程大学学报》

基　　金：国家自然科学基金(61773396);陕西省自然科学基金(2022JM-157)。

年　　份：2022

卷　　号：23

期　　号：5

起止页码：36-43

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对极化SAR图像分类中卷积神经网络(CNN)方法训练时间长、收敛速度慢,原始Softmax函数无法对极化SAR图像的类内差异有效应对的问题,提出一种基于模型微调与加性边际Softmax(AM-Softmax)的极化SAR图像分类方法。该方法通过预训练网络的整体微调,来改进CNN模型的效率和分类准确率,然后以AM-Softmax替代Softmax,以解决SAR图像中类内变化较大的问题,进一步提升分类精度。实验表明该方法具有快收敛的优势并且能够较好解决极化SAR图像类内差异较大的问题,模型的分类总体精度达到96%以上。

关 键 词：极化SAR图像分类 模型迁移  加性边际Softmax  

分 类 号：TP391]