...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Image Processing, IET >Underwater sonar image classification using generative adversarial network and convolutional neural network
【24h】

Underwater sonar image classification using generative adversarial network and convolutional neural network

机译：利用生成对抗网络和卷积神经网络的水下声纳图像分类

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This study presents a generative adversarial network (GAN) called conditional Wasserstein GAN-gradient penalty (CWGAN-GP)&DenseNet and ResNet, and a convolutional neural network (CNN) called improved CNN to complete underwater sonar image classification. Specifically, to solve the problem of insufficient underwater sonar image data, the CWGAN-GP&DR is developed to expand underwater sonar image data set. Besides, to improve the analysis and utilisation of the feature map and reduce the misclassification rate of categories with similar probabilities, improved CNN is proposed to complete the final underwater sonar image classification. Finally, compared with other methods, the CWGAN-GP&DR generate better underwater sonar images and effectively expand the underwater sonar image data set. Moreover, compared with the original data set and other expanded data set, the highest accuracy rate of 85.00% can be obtained on the CWGAN-GP&DR expanded data set by CNN. Furthermore, CNN, CNN-bais and improved CNN are used to perform classification experiments on each data set, and the accuracy of the improved CNN is the highest on all data sets and reached the highest accuracy of 87.71% on CWGAN-GP&DR expanded data set. The experimental results demonstrate that the proposed method can effectively improve the performance of underwater sonar image classification.
机译：本研究提出了一种称为条件Wasserstein Gan梯度惩罚（CWGAN-GP）和DENNET和RESET的生成的对抗网络（GAN），以及称为改进CNN的卷积神经网络（CNN），以完成水下声纳图像分类。具体地，为了解决水下声纳图像数据不足的问题，开发了CWGAN-GP＆DR以扩展水下声纳图像数据集。此外，为了改善特征图的分析和利用率，并降低具有相似概率的类别的错误分类率，提出了改进的CNN来完成最终水下声纳图像分类。最后，与其他方法相比，CWGAN-GP＆DR将产生更好的水下声纳图像，并有效地扩展水下声纳图像数据集。此外，与原始数据集和其他扩展数据集相比，在CNN的CWGAN-GP和DR扩展数据上可以获得85.00％的最高精度率。此外，CNN，CNN-BAIS和改进的CNN用于对每个数据集进行分类实验，并且改进的CNN的精度在所有数据集中最高，并且在CWGAN-GP＆DR扩展数据集上达到了87.71％的最高精度。实验结果表明，该方法可以有效地提高水下声纳图像分类的性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号