多波段舰船目标识别：卷积神经网络特征融合方法

"特征融合的卷积神经网络多波段舰船目标识别" 本文主要探讨了在海面背景下，如何通过特征融合的卷积神经网络（CNN）来提高舰船目标识别的准确性。针对单一波段图像识别率低的问题，作者提出了一种新的融合识别方法。该方法结合了可见光、中波红外和长波红外三个波段的舰船目标特征，以增强识别效果。 首先，模型采用了6层CNN结构，对这三个波段的图像进行特征提取。CNN的每一层都能够学习和提取不同层次的图像特征，从局部边缘到复杂的抽象概念，从而更好地理解图像内容。通过同时处理三波段图像，模型可以捕捉到不同波段间的互补信息，这对于识别复杂背景中的舰船目标至关重要。 接下来，作者利用基于互信息的特征选择方法对提取出的三波段特征向量进行重要性排序。互信息是一种衡量两个随机变量之间依赖性的度量，这里用于评估特征对于目标识别的贡献程度。根据排序结果，选择具有最高重要性的特征向量，以达到最佳识别效果。此外，考虑到图像清晰度的影响，文章还引入了一个图像清晰度评价指标，用于确定固定长度的特征向量，这些特征将作为最终的目标识别依据。 最后，模型通过额外的2个全连接层和输出层进行回归训练。全连接层用于将特征向量映射到特定的类别空间，而输出层则负责给出识别结果。通过在自建的包含6类目标、5000余张图像的三波段舰船图像数据库上进行训练和测试，验证了这种方法的有效性。实验结果显示，该方法的识别率达到了84.5%，相比于传统的单波段识别方法，识别性能显著提高。 该研究提出的特征融合的卷积神经网络方法在多波段舰船目标识别中表现优越，特别是在提高识别率方面。这种方法不仅能够充分利用不同波段的信息，还通过特征选择和图像清晰度评价确保了识别的稳健性，为海面舰船目标识别提供了一种有效的新途径。其在机器视觉和目标识别领域具有重要的理论和应用价值，特别是对于提升海洋监控和安全系统的性能有着积极的意义。