[发明专利]基于迁移学习的海杂波小目标检测方法

摘要

本发明提出了一种基于迁移学习的海杂波下小目标检测方法。该方法使用TrAdaBoost和SVM分类器结合的迁移方法，从源域数据中筛选有效的近似样本，通过数据迁移来实现目标的检测。通过实测的IPIX海杂波数据的实验，分别证实了将历史数据和不同目标数据迁移时，该算法能够有效实现小目标的探测，准确率达到70％以上。如果目标域中的少量标记样本直接用作训练数据集，由于数据量的缺少，则检测精度约为40％。因此，使用迁移学习的方法可以弥补数据量缺失的问题，提高检测的准确率。

主权项

1.一种基于迁移学习的海杂波小目标检测方法，其特征在于，包括：确定训练集包括样本数据集和待检测目标数据集，并初始化所述样本数据集和所述待检测目标数据集在所述训练集中的权重；采用SVM分类器对所述训练集进行分类训练得到第一分类器，并采用所述第一分类器对所述样本数据集或者待检测目标数据集进行分类；判断所述第一分类器对所述样本数据集或者待检测目标数据集的分类结果是否正确，若是，则减小所述样本数据集或者待检测目标数据集的权重，若否，则增大所述样本数据集或者待检测目标数据集的权重；采用SVM分类器对所述权重调整后的训练集进行分类训练得到第二分类器，并采用所述第二分类器对所述样本数据集或者待检测目标数据集的分类结果调整所述样本数据集或者待检测目标数据集的权重，以此类推迭代N次，得到第N个分类器；将所述第一分类器至第N分类器组合为最终分类器；根据实时的待测数据样本计算所述最终分类器的准确率，并判断所述准确率是否大于阈值，若是，则采用所述最终分类器对待测目标数据集进行检测，若否，则对所述最终分类器继续进行迭代修正。