《表1 不同方法识别率(%)比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的雷达图像目标识别研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

其中，η为控制分类任务与相似性度量任务权重的参数.针对MSTAR测试数据集中的十类目标，孪生卷积神经网络所提取特征的t-SNE可视化[50]结果可参考文献[67]中的图2，从可视化结果可以看到，普通卷积神经网络难以区分部分不同类别的样本，孪生卷积神经网络对不同类别目标所提取的特征具有更好的区分性.可视化结果表明，基于孪生卷积神经网络的度量学习模型能够有效减小类内离散度、增大类间离散度，形成聚类效应，从而提升小样本条件下的分类器性能.不同训练样本数目条件下孪生卷积神经网络方法与普通卷积神经网络方法的识别率比较请参考文献[67]中的表1，由结果可知，当训练样本数目较少时，孪生卷积神经网络方法要明显优于普通卷积神经网络方法.