改进的Cifar-10模型在装甲目标二分类中的应用

谢晓竹，薛 帅

(陆军装甲兵学院 信息工程系， 北京 100072)

当前，随着信息技术在军事战场中的应用，战场目标识别成为战场侦察的一项重要手段。如何在第一时间内发现并识别目标，并对目标种类进行快速分析，准确判断，已成为军事领域研究的热点。图像分类技术作为这一研究领域的基础内容，在实际应用中具有很大的现实意义。

目前，卷积神经网络被广泛应用于图像分类领域。其原理是模拟人类的视觉系统对原始图像进行层次化的抽象处理进而产生分类结果[1]。

Cifar-10模型是卷积神经网络的一种，但传统的网络参数在图像分类应用中存在着准确率低，误判率高等问题[2-3]，在战场目标识别的实际应用效果不能满足需求。本文重点分析了Cifar-10模型实验中网络参数对实验结果的影响，进行了改进网络参数的实验，并将优化的网络模型应用于装甲目标二分类实验中，通过实验验证了所提出改进方法的有效性，得到了较好的应用效果。

1 传统的Cifar-10实验分析

1.1 卷积神经网络及Cifar-10模型介绍

卷积神经网络(convolution neural network，CNN)通常由卷积层(Convolutional Layer，Conv)，池化层(Pooling Layer，PooL)和全连接层(Full Connected Layer，FC)构成[4]。其结构如图1所示。

图1 卷积神经网络结构

Cifar-10模型是一个CNN模型，由卷积层，池化层，relu函数以及局部对比归一化线性分类器组成的[5-6]。使用的网络模型名字是Cifar10-NET,其网络结构有关数据如表1所示。

表1 Cifar10-NET网络结构

1.2 实验环境搭建

文中搭建的实验平台采用的硬件和软件如表2所示。

表2 实验平台搭建采用的硬件和软件

数据集为Cifar-10的二进制数据集，通过Matlab将其转化为Caffe平台能够识别的leveldb格式。

1.3 进行模型训练

通过设置参数，训练共迭代4 000次，每100次迭代会显示一次训练的学习率Ir和损失率loss。每500次迭代输出一次#0(准确率)和#1(测试损失率)。迭代结束后，获得此模型的准确率[7-10]。整个训练时间约4 h。训练完毕后得到cifar10_quick_iter_4 000.caffemodel.h5和cifar10_quick_iter_ 4000.solverstate.h5两个文件。这两个文件将用于后续测试实验中。

1.4 实验测试和结果分析

训练结束后，在文件夹下建立图2所示标签文件用于分类测试。

图2 标签文件

选取测试图片，用classification.bat文件进行分类测试。有关测试结果如图3、图4。

图3 鹿的测试结果

图4 猫的测试结果

图像的最终分类结果由预测值大小体现，图3和图4中列出了前5项的值，值越大，说明被测物体越接近该分类[11]。

根据测试结果来看，训练时学习率从大到小的变化使模型逐渐收敛，在迭代3 000次时即趋于稳定，当训练结束时损失率为1.121 9。当利用图片进行测试时，平均识别时间约0.02 s但准确率并不高，传统的Cifar-10网络模型还不能满足实际需求，因此提出改进参数的Cifar-10模型，以提高测试准确率。

他们和肥鸭一般，嘴里发响摆动着身子，没有理她走过去了！他们走了许久许久，她仍没起来，以后她哭着，木桶扬翻在那里，小包袱从木桶滚出。她重新走起时，身影在地面越瘦越长起来，和细线似的。

2 改进参数的Cifar-10模型实验

在卷积层，从理论上来说，卷积核的个数就是生成的特征图的个数，卷积核个数越多，提取的特征图越多，网络所表示特征空间就越大，学习能力也就越强，最后分类也就更准确[12]。

为了研究卷积核数量对实验的影响。本方法通过多次实验效果对比，合理选取迭代次数和激活函数，并对卷积层的卷积核数进行调整，与传统的Cifar-10实验数据对比分析其分类精度。具体更改数据如表3所示。

表3 卷积核更改数据

训练时增加迭代次数为6 000次，同时使用ReLU函数代替Softmax函数进行激活，参数调整完毕后，重新进行模型训练。训练结束后，进行图片分类测试。测试结果如图5、图6。

图5 青蛙测试结果

图6 轮船测试结果

根据实验结果可以看出：通过改变卷积层上卷积核的数量，有合理的上升，分类测试结果准确率大大提高，分类结果基本正确。但增加卷积核数，会提高网络的计算量，使训练时间相应加长[13-16]。整个训练过程持续约11.5 h，识别单个图像时间平均为0.15 s，模型趋于复杂化。因此，不能盲目追求高数量的卷积核，避免加重电脑运行负担，严重可造成网络计算崩溃和电脑瘫痪。

3 装甲目标二分类实验

地面战场中常见的装甲车辆有坦克，步兵战车等，在战场环境中明确区分坦克和步兵战车的种类对战场制胜具有关键意义。在此选取坦克和轮式步战车两种战场目标进行二分类实验,为战场图像情报中的多种目标分类打下基础。将上述提出的改进参数的Cifar-10模型实验方法用于装甲目标二分类实验。

3.1 实验数据准备

在网上选取不同场景下坦克和轮式步战车两类图片各 1 300张作为实验数据集，选取其中60张坦克和60张轮式步兵战车作为样本展示。挑选出100张作为训练样本集，20张作为测试样本集。

3.2 实验测试

2) 建立标签文件并进行实验训练。定义分类的类型，tank(坦克)和AFV(步战车)，如图7所示。而后编辑bat文件进行训练。

3) 利用训练好的模型，进行坦克和步兵战车二分类测试。测试结果如图8、图9所示。

图7 标签文件

图8 装甲车测试结果

图9 坦克测试结果

3.3 实验结果分析

随着迭代次数增加，训练准确率趋于收敛，通过对选取的图片进行测试进行测试，准确率可以达到99.93%。实验结果表明提高卷积核数量后，通过合理调整迭代次数和选取激活函数，对分类的准确率提高较明显。同时，通过对装甲目标的二分类实验，可以快速对地面战场车辆目标进行初步判定，为下一步精确化识别打下基础。

4 结论

通过对传统的Cifar-10模型的实验数据分析，发现在确定迭代次数、选取relu激活函数之后，适当增加卷积核数量，可以得到更加优化的网络模型。通过选取军事领域中常见地面装甲目标进行二分类实验，取得了较理想的效果，为进一步的战场目标识别奠定了基础。