《表1 不同方法识别率(%)比较》
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.
图表编号 | XD00121799200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.20 |
作者 | 潘宗序、安全智、张冰尘 |
绘制单位 | 中国科学院电子学研究所、中国科学院空间信息处理与应用系统技术重点实验室、中国科学院大学、中国科学院电子学研究所、中国科学院空间信息处理与应用系统技术重点实验室、中国科学院大学、中国科学院电子学研究所、中国科学院空间信息处理与应用系统技术重点实验室、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |