Resumen

Las redes neuronales convolucionales (CNN) pueden aplicarse al reconocimiento de objetos por radar de apertura sintética (SAR) para obtener un buen rendimiento. Sin embargo, requiere un gran número de muestras etiquetadas en su fase de entrenamiento, por lo que su rendimiento podría disminuir drásticamente cuando las muestras etiquetadas son insuficientes. Para resolver este problema, en este trabajo presentamos un nuevo algoritmo de CNN semisupervisada activa. En primer lugar, se utiliza el aprendizaje activo para consultar las muestras más informativas y fiables de las muestras no etiquetadas para ampliar el conjunto de datos de entrenamiento inicial. A continuación, se desarrolla un método semisupervisado añadiendo un nuevo término de regularización en la función de pérdida de la CNN. Como resultado, la información de probabilidad de clase contenida en las muestras no etiquetadas puede ser utilizada al máximo. Los resultados experimentales en la base de datos MSTAR demuestran la eficacia del algoritmo propuesto a pesar de la falta de muestras iniciales etiquetadas.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:muestra etiquetada, muestra no etiquetada, cnn activa semisupervisada, muestra inicial etiquetada, red neuronal convolucional, nuevos términos de regularización, algoritmo cnn semisupervisado, información de probabilidad de clase, radar de apertura sintética, función de cnn
• Keywords:labelled sample, unlabelled sample, active semisupervised cnn, initial labelled sample, convolutional neural network, new regularization terms, semisupervised cnn algorithm, class probability information, synthetic aperture radar, function of cnn