改進(jìn)的Cifar-10模型在裝甲目標(biāo)二分類中的應(yīng)用

謝曉竹，薛 帥

(陸軍裝甲兵學(xué)院 信息工程系， 北京 100072)

當(dāng)前，隨著信息技術(shù)在軍事戰(zhàn)場中的應(yīng)用，戰(zhàn)場目標(biāo)識(shí)別成為戰(zhàn)場偵察的一項(xiàng)重要手段。如何在第一時(shí)間內(nèi)發(fā)現(xiàn)并識(shí)別目標(biāo)，并對(duì)目標(biāo)種類進(jìn)行快速分析，準(zhǔn)確判斷，已成為軍事領(lǐng)域研究的熱點(diǎn)。圖像分類技術(shù)作為這一研究領(lǐng)域的基礎(chǔ)內(nèi)容，在實(shí)際應(yīng)用中具有很大的現(xiàn)實(shí)意義。

目前，卷積神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于圖像分類領(lǐng)域。其原理是模擬人類的視覺系統(tǒng)對(duì)原始圖像進(jìn)行層次化的抽象處理進(jìn)而產(chǎn)生分類結(jié)果[1]。

Cifar-10模型是卷積神經(jīng)網(wǎng)絡(luò)的一種，但傳統(tǒng)的網(wǎng)絡(luò)參數(shù)在圖像分類應(yīng)用中存在著準(zhǔn)確率低，誤判率高等問題[2-3]，在戰(zhàn)場目標(biāo)識(shí)別的實(shí)際應(yīng)用效果不能滿足需求。本文重點(diǎn)分析了Cifar-10模型實(shí)驗(yàn)中網(wǎng)絡(luò)參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響，進(jìn)行了改進(jìn)網(wǎng)絡(luò)參數(shù)的實(shí)驗(yàn)，并將優(yōu)化的網(wǎng)絡(luò)模型應(yīng)用于裝甲目標(biāo)二分類實(shí)驗(yàn)中，通過實(shí)驗(yàn)驗(yàn)證了所提出改進(jìn)方法的有效性，得到了較好的應(yīng)用效果。

1 傳統(tǒng)的Cifar-10實(shí)驗(yàn)分析

1.1 卷積神經(jīng)網(wǎng)絡(luò)及Cifar-10模型介紹

卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network，CNN)通常由卷積層(Convolutional Layer，Conv)，池化層(Pooling Layer，PooL)和全連接層(Full Connected Layer，F(xiàn)C)構(gòu)成[4]。其結(jié)構(gòu)如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Cifar-10模型是一個(gè)CNN模型，由卷積層，池化層，relu函數(shù)以及局部對(duì)比歸一化線性分類器組成的[5-6]。使用的網(wǎng)絡(luò)模型名字是Cifar10-NET,其網(wǎng)絡(luò)結(jié)構(gòu)有關(guān)數(shù)據(jù)如表1所示。

表1 Cifar10-NET網(wǎng)絡(luò)結(jié)構(gòu)

1.2 實(shí)驗(yàn)環(huán)境搭建

文中搭建的實(shí)驗(yàn)平臺(tái)采用的硬件和軟件如表2所示。

表2 實(shí)驗(yàn)平臺(tái)搭建采用的硬件和軟件

數(shù)據(jù)集為Cifar-10的二進(jìn)制數(shù)據(jù)集，通過Matlab將其轉(zhuǎn)化為Caffe平臺(tái)能夠識(shí)別的leveldb格式。

1.3 進(jìn)行模型訓(xùn)練

通過設(shè)置參數(shù)，訓(xùn)練共迭代4 000次，每100次迭代會(huì)顯示一次訓(xùn)練的學(xué)習(xí)率Ir和損失率loss。每500次迭代輸出一次#0(準(zhǔn)確率)和#1(測試損失率)。迭代結(jié)束后，獲得此模型的準(zhǔn)確率[7-10]。整個(gè)訓(xùn)練時(shí)間約4 h。訓(xùn)練完畢后得到cifar10_quick_iter_4 000.caffemodel.h5和cifar10_quick_iter_ 4000.solverstate.h5兩個(gè)文件。這兩個(gè)文件將用于后續(xù)測試實(shí)驗(yàn)中。

1.4 實(shí)驗(yàn)測試和結(jié)果分析

訓(xùn)練結(jié)束后，在文件夾下建立圖2所示標(biāo)簽文件用于分類測試。

圖2 標(biāo)簽文件

選取測試圖片，用classification.bat文件進(jìn)行分類測試。有關(guān)測試結(jié)果如圖3、圖4。

圖3 鹿的測試結(jié)果

圖4 貓的測試結(jié)果

圖像的最終分類結(jié)果由預(yù)測值大小體現(xiàn)，圖3和圖4中列出了前5項(xiàng)的值，值越大，說明被測物體越接近該分類[11]。

根據(jù)測試結(jié)果來看，訓(xùn)練時(shí)學(xué)習(xí)率從大到小的變化使模型逐漸收斂，在迭代3 000次時(shí)即趨于穩(wěn)定，當(dāng)訓(xùn)練結(jié)束時(shí)損失率為1.121 9。當(dāng)利用圖片進(jìn)行測試時(shí)，平均識(shí)別時(shí)間約0.02 s但準(zhǔn)確率并不高，傳統(tǒng)的Cifar-10網(wǎng)絡(luò)模型還不能滿足實(shí)際需求，因此提出改進(jìn)參數(shù)的Cifar-10模型，以提高測試準(zhǔn)確率。

他們和肥鴨一般，嘴里發(fā)響擺動(dòng)著身子，沒有理她走過去了！他們走了許久許久，她仍沒起來，以后她哭著，木桶揚(yáng)翻在那里，小包袱從木桶滾出。她重新走起時(shí)，身影在地面越瘦越長起來，和細(xì)線似的。

2 改進(jìn)參數(shù)的Cifar-10模型實(shí)驗(yàn)

在卷積層，從理論上來說，卷積核的個(gè)數(shù)就是生成的特征圖的個(gè)數(shù)，卷積核個(gè)數(shù)越多，提取的特征圖越多，網(wǎng)絡(luò)所表示特征空間就越大，學(xué)習(xí)能力也就越強(qiáng)，最后分類也就更準(zhǔn)確[12]。

為了研究卷積核數(shù)量對(duì)實(shí)驗(yàn)的影響。本方法通過多次實(shí)驗(yàn)效果對(duì)比，合理選取迭代次數(shù)和激活函數(shù)，并對(duì)卷積層的卷積核數(shù)進(jìn)行調(diào)整，與傳統(tǒng)的Cifar-10實(shí)驗(yàn)數(shù)據(jù)對(duì)比分析其分類精度。具體更改數(shù)據(jù)如表3所示。

表3 卷積核更改數(shù)據(jù)

訓(xùn)練時(shí)增加迭代次數(shù)為6 000次，同時(shí)使用ReLU函數(shù)代替Softmax函數(shù)進(jìn)行激活，參數(shù)調(diào)整完畢后，重新進(jìn)行模型訓(xùn)練。訓(xùn)練結(jié)束后，進(jìn)行圖片分類測試。測試結(jié)果如圖5、圖6。

圖5 青蛙測試結(jié)果

圖6 輪船測試結(jié)果

根據(jù)實(shí)驗(yàn)結(jié)果可以看出：通過改變卷積層上卷積核的數(shù)量，有合理的上升，分類測試結(jié)果準(zhǔn)確率大大提高，分類結(jié)果基本正確。但增加卷積核數(shù)，會(huì)提高網(wǎng)絡(luò)的計(jì)算量，使訓(xùn)練時(shí)間相應(yīng)加長[13-16]。整個(gè)訓(xùn)練過程持續(xù)約11.5 h，識(shí)別單個(gè)圖像時(shí)間平均為0.15 s，模型趨于復(fù)雜化。因此，不能盲目追求高數(shù)量的卷積核，避免加重電腦運(yùn)行負(fù)擔(dān)，嚴(yán)重可造成網(wǎng)絡(luò)計(jì)算崩潰和電腦癱瘓。

3 裝甲目標(biāo)二分類實(shí)驗(yàn)

地面戰(zhàn)場中常見的裝甲車輛有坦克，步兵戰(zhàn)車等，在戰(zhàn)場環(huán)境中明確區(qū)分坦克和步兵戰(zhàn)車的種類對(duì)戰(zhàn)場制勝具有關(guān)鍵意義。在此選取坦克和輪式步戰(zhàn)車兩種戰(zhàn)場目標(biāo)進(jìn)行二分類實(shí)驗(yàn),為戰(zhàn)場圖像情報(bào)中的多種目標(biāo)分類打下基礎(chǔ)。將上述提出的改進(jìn)參數(shù)的Cifar-10模型實(shí)驗(yàn)方法用于裝甲目標(biāo)二分類實(shí)驗(yàn)。

3.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

在網(wǎng)上選取不同場景下坦克和輪式步戰(zhàn)車兩類圖片各 1 300張作為實(shí)驗(yàn)數(shù)據(jù)集，選取其中60張?zhí)箍撕?0張輪式步兵戰(zhàn)車作為樣本展示。挑選出100張作為訓(xùn)練樣本集，20張作為測試樣本集。

3.2 實(shí)驗(yàn)測試

2) 建立標(biāo)簽文件并進(jìn)行實(shí)驗(yàn)訓(xùn)練。定義分類的類型，tank(坦克)和AFV(步戰(zhàn)車)，如圖7所示。而后編輯bat文件進(jìn)行訓(xùn)練。

3) 利用訓(xùn)練好的模型，進(jìn)行坦克和步兵戰(zhàn)車二分類測試。測試結(jié)果如圖8、圖9所示。

圖7 標(biāo)簽文件

圖8 裝甲車測試結(jié)果

圖9 坦克測試結(jié)果

3.3 實(shí)驗(yàn)結(jié)果分析

隨著迭代次數(shù)增加，訓(xùn)練準(zhǔn)確率趨于收斂，通過對(duì)選取的圖片進(jìn)行測試進(jìn)行測試，準(zhǔn)確率可以達(dá)到99.93%。實(shí)驗(yàn)結(jié)果表明提高卷積核數(shù)量后，通過合理調(diào)整迭代次數(shù)和選取激活函數(shù)，對(duì)分類的準(zhǔn)確率提高較明顯。同時(shí)，通過對(duì)裝甲目標(biāo)的二分類實(shí)驗(yàn)，可以快速對(duì)地面戰(zhàn)場車輛目標(biāo)進(jìn)行初步判定，為下一步精確化識(shí)別打下基礎(chǔ)。

4 結(jié)論

通過對(duì)傳統(tǒng)的Cifar-10模型的實(shí)驗(yàn)數(shù)據(jù)分析，發(fā)現(xiàn)在確定迭代次數(shù)、選取relu激活函數(shù)之后，適當(dāng)增加卷積核數(shù)量，可以得到更加優(yōu)化的網(wǎng)絡(luò)模型。通過選取軍事領(lǐng)域中常見地面裝甲目標(biāo)進(jìn)行二分類實(shí)驗(yàn)，取得了較理想的效果，為進(jìn)一步的戰(zhàn)場目標(biāo)識(shí)別奠定了基礎(chǔ)。