改進的Cifar-10模型在裝甲目標二分類中的應用

謝曉竹，薛 帥

(陸軍裝甲兵學院 信息工程系， 北京 100072)

當前，隨著信息技術在軍事戰場中的應用，戰場目標識別成為戰場偵察的一項重要手段。如何在第一時間內發現并識別目標，并對目標種類進行快速分析，準確判斷，已成為軍事領域研究的熱點。圖像分類技術作為這一研究領域的基礎內容，在實際應用中具有很大的現實意義。

目前，卷積神經網絡被廣泛應用于圖像分類領域。其原理是模擬人類的視覺系統對原始圖像進行層次化的抽象處理進而產生分類結果[1]。

Cifar-10模型是卷積神經網絡的一種，但傳統的網絡參數在圖像分類應用中存在著準確率低，誤判率高等問題[2-3]，在戰場目標識別的實際應用效果不能滿足需求。本文重點分析了Cifar-10模型實驗中網絡參數對實驗結果的影響，進行了改進網絡參數的實驗，并將優化的網絡模型應用于裝甲目標二分類實驗中，通過實驗驗證了所提出改進方法的有效性，得到了較好的應用效果。

1 傳統的Cifar-10實驗分析

1.1 卷積神經網絡及Cifar-10模型介紹

卷積神經網絡(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，FC)構成[4]。其結構如圖1所示。

圖1 卷積神經網絡結構

Cifar-10模型是一個CNN模型，由卷積層，池化層，relu函數以及局部對比歸一化線性分類器組成的[5-6]。使用的網絡模型名字是Cifar10-NET,其網絡結構有關數據如表1所示。

表1 Cifar10-NET網絡結構

1.2 實驗環境搭建

文中搭建的實驗平臺采用的硬件和軟件如表2所示。

表2 實驗平臺搭建采用的硬件和軟件

數據集為Cifar-10的二進制數據集，通過Matlab將其轉化為Caffe平臺能夠識別的leveldb格式。

1.3 進行模型訓練

通過設置參數，訓練共迭代4 000次，每100次迭代會顯示一次訓練的學習率Ir和損失率loss。每500次迭代輸出一次#0(準確率)和#1(測試損失率)。迭代結束后，獲得此模型的準確率[7-10]。整個訓練時間約4 h。訓練完畢后得到cifar10_quick_iter_4 000.caffemodel.h5和cifar10_quick_iter_ 4000.solverstate.h5兩個文件。這兩個文件將用于后續測試實驗中。

1.4 實驗測試和結果分析

訓練結束后，在文件夾下建立圖2所示標簽文件用于分類測試。

圖2 標簽文件

選取測試圖片，用classification.bat文件進行分類測試。有關測試結果如圖3、圖4。

圖3 鹿的測試結果

圖4 貓的測試結果

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

根據測試結果來看，訓練時學習率從大到小的變化使模型逐漸收斂，在迭代3 000次時即趨于穩定，當訓練結束時損失率為1.121 9。當利用圖片進行測試時，平均識別時間約0.02 s但準確率并不高，傳統的Cifar-10網絡模型還不能滿足實際需求，因此提出改進參數的Cifar-10模型，以提高測試準確率。

他們和肥鴨一般，嘴里發響擺動著身子，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，木桶揚翻在那里，小包袱從木桶滾出。她重新走起時，身影在地面越瘦越長起來，和細線似的。

2 改進參數的Cifar-10模型實驗

在卷積層，從理論上來說，卷積核的個數就是生成的特征圖的個數，卷積核個數越多，提取的特征圖越多，網絡所表示特征空間就越大，學習能力也就越強，最后分類也就更準確[12]。

為了研究卷積核數量對實驗的影響。本方法通過多次實驗效果對比，合理選取迭代次數和激活函數，并對卷積層的卷積核數進行調整，與傳統的Cifar-10實驗數據對比分析其分類精度。具體更改數據如表3所示。

表3 卷積核更改數據

訓練時增加迭代次數為6 000次，同時使用ReLU函數代替Softmax函數進行激活，參數調整完畢后，重新進行模型訓練。訓練結束后，進行圖片分類測試。測試結果如圖5、圖6。

圖5 青蛙測試結果

圖6 輪船測試結果

根據實驗結果可以看出：通過改變卷積層上卷積核的數量，有合理的上升，分類測試結果準確率大大提高，分類結果基本正確。但增加卷積核數，會提高網絡的計算量，使訓練時間相應加長[13-16]。整個訓練過程持續約11.5 h，識別單個圖像時間平均為0.15 s，模型趨于復雜化。因此，不能盲目追求高數量的卷積核，避免加重電腦運行負擔，嚴重可造成網絡計算崩潰和電腦癱瘓。

3 裝甲目標二分類實驗

地面戰場中常見的裝甲車輛有坦克，步兵戰車等，在戰場環境中明確區分坦克和步兵戰車的種類對戰場制勝具有關鍵意義。在此選取坦克和輪式步戰車兩種戰場目標進行二分類實驗,為戰場圖像情報中的多種目標分類打下基礎。將上述提出的改進參數的Cifar-10模型實驗方法用于裝甲目標二分類實驗。

3.1 實驗數據準備

在網上選取不同場景下坦克和輪式步戰車兩類圖片各 1 300張作為實驗數據集，選取其中60張坦克和60張輪式步兵戰車作為樣本展示。挑選出100張作為訓練樣本集，20張作為測試樣本集。

3.2 實驗測試

2) 建立標簽文件并進行實驗訓練。定義分類的類型，tank(坦克)和AFV(步戰車)，如圖7所示。而后編輯bat文件進行訓練。

3) 利用訓練好的模型，進行坦克和步兵戰車二分類測試。測試結果如圖8、圖9所示。

圖7 標簽文件

圖8 裝甲車測試結果

圖9 坦克測試結果

3.3 實驗結果分析

隨著迭代次數增加，訓練準確率趨于收斂，通過對選取的圖片進行測試進行測試，準確率可以達到99.93%。實驗結果表明提高卷積核數量后，通過合理調整迭代次數和選取激活函數，對分類的準確率提高較明顯。同時，通過對裝甲目標的二分類實驗，可以快速對地面戰場車輛目標進行初步判定，為下一步精確化識別打下基礎。

4 結論

通過對傳統的Cifar-10模型的實驗數據分析，發現在確定迭代次數、選取relu激活函數之后，適當增加卷積核數量，可以得到更加優化的網絡模型。通過選取軍事領域中常見地面裝甲目標進行二分類實驗，取得了較理想的效果，為進一步的戰場目標識別奠定了基礎。