基于改进CycleGAN的军事目标图像样本增广方法OA北大核心CSTPCD
针对军事目标图像识别训练中面临的样本数量与质量不足的问题,对CycleGAN模型进行了改进,并提出一种有效增广的方法。针对军事目标样本特点,修改了模型的生成器结构和损失函数结构,提高了模型的稳定性和生成图像质量。通过将扩充样本后的数据集进行图像识别模型训练,发现该模型所生成的图像可以有效提高识别模型的准确率,证明了该方法在增广军事目标样本中的实用性和可行性。
陈星宇;马茹飞;余晓晗;毛绍臣;张可;
南京理工大学经济管理学院,南京210094陆军工程大学基础部,南京210007陆军工程大学指挥控制工程学院,南京210007
计算机与自动化
样本增广CycleGAN军事目标图像生成图像分类
《火力与指挥控制》 2024 (005)
P.165-171 / 7
江苏省研究生科研与实践创新计划基金资助项目(SJCX22_0156)*。
评论