基于深度迁移学习的红外舰船目标检测算法

王悦行，吴永国，徐传刚

（天津津航技术物理研究所，天津 300308）

0 引 言

卷积神经网络（convolutional neural networks，CNN）在图像分类、人脸识别等领域的巨大成功依赖于大规模数据集的训练［1-2］。研究和实践表明，CNN在图像识别任务中，当训练数据集达到千万量级时，可以接近甚至超过人眼识别能力［3-5］。但是在红外目标检测任务［6-8］中，受客观条件限制，真实红外目标图像数据量有限，无法按传统方法对算法进行训练［9］。因此，必须开展基于迁移学习的CNN 训练方法研究，将通过大数据集充分训练的CNN 模型迁移到用于识别红外舰船特征的CNN模型［10］。

迁移学习［11］可以从现有数据迁移知识来帮助将来的学习，而且迁移学习不像传统机器学习那样做同分布假设。采用仿真红外图像数据集上预先训练的成熟CNN 特征，对提取出的特征在真实红外图像数据集上进行二次训练，具体流程如图1所示。

将迁移学习应用到神经网络中，就是将一层层网络中每个节点的权重从一个训练好的网络迁移到一个全新的网络里，而不是从头开始，为每一个特定任务训练神经网络。迁移学习相当于让神经网络有了语言。新一代神经网络可以在前人的基础上更进一步，使用一个由他人预先训练好并可作为我们训练模型的起点。因此，本文使用大量仿真红外舰船图像和少量真实红外舰船图像作为训练样本，利用由粗到细的深度卷积神经网络实现迁移学习，以解决仿真红外舰船图像和真实红外舰船图像的跨域适应性问题，从而实现对真实红外舰船目标的检测识别功能。……