CN109558803A - 基于卷积神经网络与np准则的sar目标鉴别方法 - Google Patents
基于卷积神经网络与np准则的sar目标鉴别方法 Download PDFInfo
- Publication number
- CN109558803A CN109558803A CN201811295552.4A CN201811295552A CN109558803A CN 109558803 A CN109558803 A CN 109558803A CN 201811295552 A CN201811295552 A CN 201811295552A CN 109558803 A CN109558803 A CN 109558803A
- Authority
- CN
- China
- Prior art keywords
- layer
- target
- network
- sample
- convolutional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络与NP准则的SAR目标鉴别方法,主要解决训练数据中目标与杂波样本数量失衡时,现有技术对目标测试样本的鉴别准确率较低的问题。其方案是:1.构建具有预处理网络的SAR目标鉴别网络框架;2.定义新的代价函数作为训练网络时的损失函数;3.将训练样本输入到构建好的SAR目标鉴别网络中,用新定义的损失函数对网络模型进行训练;4.待模型收敛后,将测试样本输入到训练好的SAR目标鉴别网络中,得到最终的目标鉴别结果。本发明对现有的交叉熵代价函数进行改进,并结合卷积神经网络将图像预处理问题转化为网络模型求解问题,有效地提高了目标鉴别的准确率,可用于目标与杂波训练样本不平衡时的目标鉴别。
Description
技术领域
本发明属于雷达技术领域,主要涉及一种SAR图像目标鉴别方法,可用于车辆目标识别与分类。
背景技术
合成孔径雷达SAR作为一种主动成像传感器,具有全天时、全天候、远距离观测的工作能力,是目前一种不可或缺的遥感观测手段。随着SAR成像技术的发展,如何从海量SAR图像数据中提取有效信息已成为当前亟待解决的问题。SAR ATR技术能够实现对SAR图像的自动目标识别,近年来受到各国学者的广泛关注。基本的SAR ATR系统一般包括目标检测、目标鉴别和目标识别三个阶段。其中,目标鉴别阶段用于对SAR图像经检测后得到的疑似目标切片进行特征提取和分类,以剔除其中包含的杂波虚警,得到真实的目标区域。由于目标鉴别阶段处于SAR ATR技术的中间环节,具有承前启后的作用,其鉴别精度将直接影响后续识别分类阶段的性能和效率。因此,研究SAR图像目标鉴别技术具有重要的意义。
近年来,卷积神经网络CNN因其强大的特征学习能力,成为当前图像识别领域的研究热点。它采用权值共享策略,大幅减少网络参数量,降低了模型的复杂度,防止出现过拟合的问题。CNN作为一个深度学习架构,被提出的最初诉求是降低对图像数据预处理的要求,以及避免复杂的特征工程。它可以直接使用图像的原始像素作为输入,而不需要预先提取特征,避免了传统鉴别算法中复杂的特征提取过程。目前,CNN已成功地应用于SAR目标鉴别任务中,例如,通过将图像强度信息与梯度信息相结合对图像进行鉴别操作的多层CNN网络。
在网络的训练过程中,通常需要定义一个损失函数Loss Function来描述网络模型对问题的分类精度。损失越小,代表模型的分类结果与真实类别的偏差越小,模型越准确。对于分类问题,通常使用交叉熵Cross-entropy代价函数作为训练网络的损失函数。Cross-entropy最早出自信息论中的信息熵,然后被用到许多领域,包括通信、纠错码、博弈论、机器学习等。例如前文中提到的用于鉴别操作的多层CNN网络,就是使用了交叉熵作为损失函数来训练网络模型的。然而,当训练样本中目标切片和杂波切片数量失衡,即杂波切片的数量远多于目标切片时,使用交叉熵损失函数训练网络,会造成测试样本中杂波切片的鉴别准确率高于目标切片的准确率,影响算法整体的鉴别性能。
发明内容
本发明受奈曼-皮尔逊NP准则的启发,针对上述SAR目标鉴别算法存在的不足,提出一种基于卷积神经网络与NP准则的SAR目标鉴别方法,以有效地解决训练样本中目标与杂波数量不平衡时出现的问题,在保证总的鉴别性能不下降的前提下,提高目标样本的鉴别准确率。
本发明的技术思路是:构建具有预处理网络的SAR目标鉴别网络框架,定义新的代价函数作为训练网络时的损失函数,将训练样本集输入网络并使用优化算法训练网络模型;待模型收敛后,将测试样本集输入到训练好的网络模型中得到最终的鉴别结果。其实现方案包括如下:
(1)构建具有预处理网络的SAR目标鉴别网络PN+CNN-FE:
在《基于卷积神经网络的多特征融合SAR目标鉴别方法》中的特征提取网络CNN-FE框架上增设一个具有三层卷积层的预处理网络PN,得到一个新的目标鉴别网络PN+CNN-FE,其包括六层卷积层、两层maxpooling层,一层全连接层和一层softmax分类器层,即第一层卷积层L1、第二层卷积层L2、第三层卷积层L3、第四层卷积层L4、第五层卷积层L5、第六层maxpooling层L6、第七层卷积层L7、第八层maxpooling层L8、第九层全连接层L9和第十层softmax分类器层L10;
(2)构建训练网络的新的损失函数LNP(θ):
其中θ是鉴别网络PN+CNN-FE的参数,α是权重因子,β是控制虚警率Pf大小的参数,tg和clt分别表示目标类训练数据和杂波类训练数据,Ntg和Nclt分别表示目标类训练数据的样本个数和杂波类训练数据的样本个数,表示第i个样本的softmax分类器输出概率值,表示第i个样本属于目标类的概率值,表示第i个样本属于杂波类的概率值。
(3)将训练数据集Φ送入搭建好的鉴别网络PN+CNN-FE中,使用定义的损失函数LNP(θ)对网络进行训练;
(4)将测试数据集T输入到训练好的鉴别网络PN+CNN-FE中,得到最终的目标鉴别结果。
本发明具有如下优点:
1.鉴别性能好
本发明受到NP准则的启发,提出一种新的代价函数代替交叉熵代价函数,作为训练网络的损失函数,在约束杂波样本虚警率Pf的条件下最大化目标样本的鉴别准确率Pd,使得在目标与杂波训练样本数量失衡时仍能保证具有较高的目标鉴别准确率。
2.增加了预处理网络
本发明在现有的鉴别网络CNN-FE基础上新增了一个三层的卷积网络PN,将SAR图像的预处理过程近似成一个神经网络的求解问题,使得SAR图像的预处理网络PN的参数能够与鉴别网络CNN-FE的参数同时学习得到,解决了人工选择预处理方法的难题;同时,通过增加预处理网络PN增加了整个网络的深度,有利于提高目标鉴别的准确率。
附图说明
图1是本发明的实现流程图;
图2是本发明中构建的网络框架图;
图3是本发明实验所用的miniSAR数据图像;
图4是本发明与现有方法对miniSAR图像进行鉴别的AUC性能对比图;
图5是本发明与现有方法对miniSAR图像进行鉴别的准确率对比图。
具体实施方式
下面结合附图对本发明的实施方案和效果进行详细说明:
本发明方法主要涉及目标与杂波训练样本不平衡时的车辆目标鉴别,算法使用卷积神经网络实现SAR图像的预处理和后续的目标鉴别处理。由于现有的目标鉴别方法大多是使用交叉熵代价函数训练网络的,当场景中车辆目标较少,目标切片难以获得时,训练样本中杂波切片的数量会远多于目标切片。这种情况下使用交叉熵代价函数作为训练网络的损失函数,网络会倾向于使杂波切片具有比目标切片更高的鉴别准确率。此外,现有的SAR图像预处理过程通常需要人工实验选取有效的方法,费时费力且效果不佳。针对上述问题,本发明结合卷积神经网络强大的特征学习能力,提出使用新的代价函数替代交叉熵,作为训练SAR目标鉴别网络的损失函数。使用这一损失函数训练网络,可以保证即使在目标与杂波训练样本数量失衡时,网络仍然具有较高的目标鉴别准确率。
参照图1,本发明的实现步骤如下:
步骤1,构建具有预处理网络的SAR目标鉴别网络PN+CNN-FE。
参照图2,本实例是在现有《基于卷积神经网络的多特征融合SAR目标鉴别方法》中的特征提取网络CNN-FE框架上增设了一个具有三层卷积层的预处理网络PN,得到一个新的目标鉴别网络PN+CNN-FE;网络共十层,包括六层卷积层、两层maxpooling层,一层全连接层和一层softmax分类器层,即第一层卷积层L1、第二层卷积层L2、第三层卷积层L3、第四层卷积层L4、第五层卷积层L5、第六层maxpooling层L6、第七层卷积层L7、第八层maxpooling层L8、第九层全连接层L9和第十层softmax分类器层L10,各层参数设置及关系如下:
第一层卷积层L1,其卷积核K1的窗口大小为5×5,滑动步长S1为1,用于对输入的SAR图像数据进行卷积操作,输出h1个特征图其中h1表示卷积核K1的个数,其大小根据试验确定为50以下,j表示第j个特征图,j=1,2,…,h1,该层L1作为第二层卷积层L2的输入;
第二层卷积层L2,其卷积核K2的窗口大小为1×1,滑动步长S2为1,用于对第一层卷积层L1输出的h1个特征图进行卷积操作,得到h2个特征图其中h2表示卷积核K2的个数,其大小与h1相等,m表示第m个特征图,m=1,2,…,h2,该层L2作为第三层卷积层L3的输入;
第三层卷积层L3,其卷积核K3的窗口大小为1×1,滑动步长S3为1,用于对第二层卷积层L2输出的h2个特征图进行卷积操作,得到1个特征图X,即输入SAR图像的预处理结果,该层L3作为第四层卷积层L4的输入;
第四层卷积层L4,其卷积核K4的窗口大小为3×3,滑动步长S4为2,用于对第三层卷积层L3输出的预处理结果X进行卷积操作,输出96个特征图其中n表示第n个特征图,n=1,2,…,96,该层L4作为第五层卷积层L5的输入;
第五层卷积层L5,其卷积核K5的窗口大小为3×3,滑动步长S5为2,用于对第四层卷积层L4输出的96个特征图进行卷积操作,输出128个特征图其中p表示第p个特征图,p=1,2,…,128,该层L5作为第六层maxPooling层L6的输入;
第六层maxPooling层L6,其Pooling核U1的窗口大小为3×3,滑动步长V1为2,用于对第五层卷积层L5输出的128个特征图进行降维处理,得到128个降维后的特征图其中p表示第p个特征图,p=1,2…128,该层L6作为第七层卷积层L7的输入;
第七层卷积层L7,其卷积核K6的窗口大小为3×3,滑动步长S6为2,用于对第六层maxPooling层L6输出的128个降维后的特征图进行卷积操作,输出256个特征图其中q表示第q个特征图,q=1,2,…,256,该层L7作为第八层maxpooling层L8的输入;
第八层maxpooling层L8,其Pooling核U2的窗口大小为3×3,滑动步长V2为2,用于对第七层卷积层L7输出的256个特征图做进一步的降维处理,得到256个降维后的特征图其中q表示第q个特征图,q=1,2…256,该层L8作为第九层全连接层L9的输入;
第九层全连接层L9,其设有1000个神经元,用于将第八层maxpooling层L8输出的256个特征图分别拉成列向量并进行串联拼接,得到一个e维的列向量D,然后对列向量D进行非线性映射,输出一个1000维的列向量Y6,该层L9作为第十层softmax分类器层L10的输入;
第十层softmax分类器层L10,该层用于将第九层全连接层L9得到的1000维列向量Y6输入到两类softmax分类器中,计算输入样本属于目标类的概率和属于杂波类的概率根据概率值对输入样本进行分类。
步骤2,构建训练网络的新的损失函数LNP(θ)。
(2a)本实例选用训练卷积神经网络常用的具有如下形式的交叉熵损失函数LCE(θ):
其中,θ是网络的参数集合,N是训练样本总数,是第i个样本的真实标记,yi=[1,0]T表示第i个样本属于目标类,yi=[0,1]T表示第i个样本属于杂波类,是第i个样本的softmax分类器输出概率值,表示第i个样本属于目标类的概率值,表示第i个样本属于杂波类的概率值;
(2b)将训练样本的真实标记[1,0]T、[0,1]T代入式<1>,替换式<1>中的得到式<2>:
其中,tg和clt分别表示目标类训练数据和杂波类训练数据,括号内的两项分别对应了目标类损失和杂波类损失;
由式<2>可知,总损失LCE(θ)由目标类损失和杂波类损失组成,最小化损失函数LCE(θ)能够直接影响目标类和杂波类的鉴别准确率;根据NP准则的启发,在杂波虚警率Pf的约束下最大化目标样本的检测率Pd,将式<2>的SAR目标鉴别问题转化成式<3>的最优化问题:
其中,Ntg和Nclt分别表示目标类训练数据的样本个数和杂波类训练数据的样本个数,ε是一个松弛变量,α是权重因子,β是调整杂波虚警率Pf大小的参数;
(2c)根据式<3>的约束条件将式<3>中的ε整理成如下形式:
(2d)将式<4>代入式<3>的目标函数中,得到如下形式的无约束优化问题:
(2e)由于式<5>中第二项是一个hinge损失函数,不具有处处可微的性质,不能使用基于梯度的优化算法,故将其替换成一个二次的hinge损失函数,得到如下形式的损失函数LNP(θ),作为本实例训练网络使用的新的损失函数。
步骤3,使用构建的损失函数LNP(θ)对网络进行训练。
(3a)对CNN-FE网络进行预训练;
(3b)对预处理网络进行初始化,将其各层权重初始化为服从均值为0、标准差为1的高斯分布的值,将其各层偏置初始化为0.1;
(3c)将训练数据集Φ送入搭建好的鉴别网络PN+CNN-FE中,向前传播得到网络对样本的预测结果;
(3d)使用定义的损失函数LNP(θ)计算预测结果与真实标记之间的损失,然后使用Adam优化器最小化损失,以调整网络各层的权重和偏置;
(3e)将训练数据在调整后的网络中重新传播,得到新的预测结果;
(3f)采用迭代的方法,重复执行步骤(3d)-(3e),直到预测结果与真实标记间的损失达到最小,即得到训练好的网络PN+CNN-FE。
步骤4,将测试数据集T输入到训练好的鉴别网络PN+CNN-FE中,得到最终的目标鉴别结果。
本发明的效果可通过以下实验数据做进一步说明:
一、实验数据
本实验所用的样本图像来自于美国Sandia实验室公开的miniSAR数据集,这些数据下载自Sandia实验室的网站,实验所用六幅图像示例参照图3所示,图像分辨率均为0.1m×0.1m。其中,图3(d)所示的第四幅图像Image4的大小为2510×3274,图3(a)-3(c)所示的第一幅图像至第三幅图像Image1~Image3和图3(e)-3(f)所示的第五幅、第六幅图像Image5、Image6的大小均为2510×1638。
实验选择其中一幅图像作为测试图像,另外五幅图像作为训练图像。由于篇幅有限,本实例仅对图3(a)-3(d)所示的第一幅图像至第四幅图像Image1~Image4作为测试图像时的结果进行说明。对于每幅测试图像,提取的训练目标切片数、训练杂波切片数、测试目标切片数及测试杂波切片数如表1所示,其中训练目标切片及杂波切片是从剩余五幅图像中对应的目标及杂波区域中进行密集采样得到的,所有切片大小均为90×90。
表1测试目标及杂波样本数
测试图像 | Image1 | Image2 | Image3 | Image4 |
测试目标切片数 | 79 | 159 | 115 | 140 |
测试杂波切片数 | 510 | 627 | 305 | 599 |
训练目标切片数 | 61212 | 43122 | 64608 | 74802 |
训练杂波切片数 | 61212 | 43116 | 64608 | 74796 |
二、评价准则
使用以下准则对实验结果进行评价:
目标检测率Pd、ROC曲线下面积AUC
对于二分类问题,可将测试样本根据其真实类别与预测类别的组合划分为真正例True Positive、假正例False Positive、真反例True Negative、假反例False Negative四种情形,令TP、FP、TN、FN分别表示其对应的样例数,则其组合结果如表2所示。
表2分类结果与真实类别组合
显然,有:
TP+FP+TN+FN=N,N表示样例总数
则上述评价准则可以采用以下公式进行计算:
目标检测率Pd:
AUC:表示ROC曲线下的面积,其通过对ROC曲线下各部分的面积求和得到。ROC曲线即信号检测理论中的接收机工作特性曲线,常用于评估网络的泛化性能。ROC曲线是一个二维平面内的曲线,其横坐标是杂波虚警概率Pf,纵坐标是目标检测概率Pd。曲线越接近二维平面的左上方,表示ROC曲线下的面积AUC越大,算法的检测性能越好。
三、实验内容
试验分别使用现有的目标鉴别算法CNN-FE+Filt、CNN-FE+Ga、CNN-FE_Fusion和本发明提出的目标鉴别算法CNN-NP对如图3所示的miniSAR图像数据做鉴别处理:
所述目标鉴别算法CNN-FE+Filt,是使用滤波处理后的强度图作为输入,使用现有的CNN-FE网络作为鉴别网络的SAR目标鉴别方法;
所述目标鉴别算法CNN-FE+Ga,是使用滤波处理后的梯度幅度图作为输入,使用现有的CNN-FE网络作为鉴别网络的SAR目标鉴别方法;
所述目标鉴别算法CNN-FE_Fusion,是使用现有的CNN-FE网络作为鉴别网络,提取得到高层特征后送入另一个卷积神经网络做进一步特征融合处理的SAR目标鉴别方法;
所述目标鉴别算法CNN-NP,是使用本发明提出的网络框架PN+CNN-FE作为鉴别网络,使用本发明提出的新的损失函数LNP(θ)训练网络的SAR目标鉴别方法。
用上述四种算法对图3(a)-图3(d)所示的第一幅图像至第四幅图像Image1-Image4做鉴别处理,得到AUC性能的对比结果,如图4所示。图中曲线对应了四种算法的AUC性能与迭代次数Number of epoch间的关系。其中,图4(a)是四种算法对图3(a)所示的第一幅图像Image1做鉴别处理的AUC性能对比结果;图4(b)是四种算法对图3(b)所示的第二幅图像Image2做鉴别处理的AUC性能对比结果;图4(c)是四种算法对图3(c)所示的第三幅图像Image3做鉴别处理的AUC性能对比结果;图4(d)是四种算法对图3(d)所示的第四幅图像Image4做鉴别处理的AUC性能对比结果。由图4结果可见,本发明CNN-NP算法的AUC性能与其他三种算法不相上下,说明本发明提出的目标鉴别算法CNN-NP能够保持总的鉴别精度;
用上述四种算法对图3(a)-图3(d)所示的第一幅图像至第四幅图像Image1-Image4做鉴别处理,得到检测率Pd的对比结果,如图5所示。图中曲线对应了四种算法的检测率Pd与迭代次数Number of epoch间的关系。其中,图5(a)是四种算法对图3(a)所示的第一幅图像Image1做鉴别处理,得到的检测率Pd对比结果;图5(b)是四种算法对图3(b)所示的第二幅图像Image2做鉴别处理,得到的检测率Pd对比结果;图5(c)是四种算法对图3(c)所示的第三幅图像Image3做鉴别处理,得到的检测率Pd对比结果;图5(d)是四种算法对图3(d)所示的第四幅图像Image4做鉴别处理,得到的检测率Pd对比结果。由图5结果可见,本发明CNN-NP算法对miniSAR图像处理的目标鉴别准确率Pd明显高于其他三种算法,说明本发明提出的目标鉴别算法CNN-NP能够明显提升目标样本的鉴别准确率;
综合上述结果,说明本发明所提出的SAR目标鉴别算法CNN-NP能够在保持总的鉴别性能的同时提高目标样本的鉴别准确率。
以上描述仅是本发明的一个具体实例,并未构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (4)
1.一种基于卷积神经网络的SAR目标鉴别方法,包括:
(1)构建具有预处理网络的SAR目标鉴别网络PN+CNN-FE:
在《基于卷积神经网络的多特征融合SAR目标鉴别方法》中的特征提取网络CNN-FE框架上增设一个具有三层卷积层的预处理网络PN,得到一个新的目标鉴别网络PN+CNN-FE,其包括六层卷积层、两层maxpooling层,一层全连接层和一层softmax分类器层,即第一层卷积层L1、第二层卷积层L2、第三层卷积层L3、第四层卷积层L4、第五层卷积层L5、第六层maxpooling层L6、第七层卷积层L7、第八层maxpooling层L8、第九层全连接层L9和第十层softmax分类器层L10;
(2)构建训练网络的新的损失函数LNP(θ):
其中θ是鉴别网络PN+CNN-FE的参数,α是权重因子,β是控制虚警率Pf大小的参数,tg和clt分别表示目标类训练数据和杂波类训练数据,Ntg和Nclt分别表示目标类训练数据的样本个数和杂波类训练数据的样本个数,表示第i个样本的softmax分类器输出概率值,表示第i个样本属于目标类的概率值,表示第i个样本属于杂波类的概率值。
(3)将训练数据集Φ送入搭建好的鉴别网络PN+CNN-FE中,使用定义的损失函数LNP(θ)对网络进行训练;
(4)将测试数据集T输入到训练好的鉴别网络PN+CNN-FE中,得到最终的目标鉴别结果。
2.根据权利要求1所述的方法,其中步骤(1)中构建的新的目标鉴别网络PN+CNN-FE,其各层参数设置及关系如下:
第一层卷积层L1,其卷积核K1的窗口大小为5×5,滑动步长S1为1,用于对输入的SAR图像数据进行卷积操作,输出h1个特征图其中h1表示卷积核K1的个数,其大小根据试验确定为50以下,j表示第j个特征图,j=1,2,L,h1,该层L1作为第二层卷积层L2的输入;
第二层卷积层L2,其卷积核K2的窗口大小为1×1,滑动步长S2为1,用于对第一层卷积层L1输出的h1个特征图进行卷积操作,得到h2个特征图其中h2表示卷积核K2的个数,其大小与h1相等,m表示第m个特征图,m=1,2,L,h2,该层L2作为第三层卷积层L3的输入;
第三层卷积层L3,其卷积核K3的窗口大小为1×1,滑动步长S3为1,用于对第二层卷积层L2输出的h2个特征图进行卷积操作,得到1个特征图X,即输入SAR图像的预处理结果,该层L3作为第四层卷积层L4的输入;
第四层卷积层L4,其卷积核K4的窗口大小为3×3,滑动步长S4为2,用于对第三层卷积层L3输出的预处理结果X进行卷积操作,输出96个特征图其中n表示第n个特征图,n=1,2,L,96,该层L4作为第五层卷积层L5的输入;
第五层卷积层L5,其卷积核K5的窗口大小为3×3,滑动步长S5为2,用于对第四层卷积层L4输出的96个特征图进行卷积操作,输出128个特征图其中p表示第p个特征图,p=1,2,L,128,该层L5作为第六层maxPooling层L6的输入;
第六层maxPooling层L6,其Pooling核U1的窗口大小为3×3,滑动步长V1为2,用于对第五层卷积层L5输出的128个特征图进行降维处理,得到128个降维后的特征图其中p表示第p个特征图,p=1,2L 128,该层L6作为第七层卷积层L7的输入;
第七层卷积层L7,其卷积核K6的窗口大小为3×3,滑动步长S6为2,用于对第六层maxPooling层L6输出的128个降维后的特征图进行卷积操作,输出256个特征图其中q表示第q个特征图,q=1,2,L,256,该层L7作为第八层maxpooling层L8的输入;
第八层maxpooling层L8,其Pooling核U2的窗口大小为3×3,滑动步长V2为2,用于对第七层卷积层L7输出的256个特征图做进一步的降维处理,得到256个降维后的特征图其中q表示第q个特征图,q=1,2L 256,该层L8作为第九层全连接层L9的输入;
第九层全连接层L9,其设有1000个神经元,用于将第八层maxpooling层L8输出的256个特征图分别拉成列向量并进行串联拼接,得到一个e维的列向量D,然后对列向量D进行非线性映射,输出一个1000维的列向量Y6,该层L9作为第十层softmax分类器层L10的输入;
第十层softmax分类器层L10,该层用于将第九层全连接层L9得到的1000维列向量Y6输入到两类softmax分类器中,计算输入样本属于目标类的概率和属于杂波类的概率根据概率值对输入样本进行分类。
3.根据权利要求1所述的方法,其中步骤(2)中构建训练网络的新的损失函数LNP(θ),其实现如下:
(2a)选用训练卷积神经网络常用的具有如下形式的交叉熵损失函数LCE(θ):
其中,θ是网络的参数集合,N是训练样本总数,是第i个样本的真实标记,yi=[1,0]T表示第i个样本属于目标类,yi=[0,1]T表示第i个样本属于杂波类,是第i个样本的softmax分类器输出概率值,表示第i个样本属于目标类的概率值,表示第i个样本属于杂波类的概率值。
(2b)用训练样本的真实标记[1,0]T、[0,1]T替换式<1>中的并整理,得到式<2>:
其中,tg和clt分别表示目标类训练数据和杂波类训练数据;
式<2>括号内的两项分别影响了目标类和杂波类的鉴别准确率,根据NP准则的启发,在约束杂波样本的虚警率Pf的条件下,最大化目标样本的检测率Pd,将式<2>的SAR目标鉴别问题转化成式<3>的最优化问题:
其中,Ntg和Nclt分别表示目标类训练数据的样本个数和杂波类训练数据的样本个数,ε是一个松弛变量,α是权重因子,β是调整杂波样本虚警率Pf大小的参数;
(2c)根据<3>式的约束条件对ε赋值如下:
(2d)将式<4>代入<3>式的目标函数中,得到如下无约束优化问题:
(2e)由于<5>式中第二项是一个hinge损失函数,不具有处处可微的性质,不能使用基于梯度的优化算法,故将其替换成一个二次的hinge损失函数,得到如下形式的新的损失函数LNP(θ):
4.根据权利要求1所述的方法,其中步骤(3)中对网络进行训练,其实现如下:
(3a)对CNN-FE网络进行预训练;
(3b)对预处理网络进行初始化,将其各层权重初始化为服从均值为0、标准差为1的高斯分布的值,将其各层偏置初始化为0.1;
(3c)将训练数据集Φ送入搭建好的鉴别网络PN+CNN-FE中,向前传播得到网络对样本的预测结果;
(3d)使用定义的损失函数LNP(θ)计算预测结果与真实标记之间的损失,然后使用Adam优化器最小化损失,以调整网络各层的权重和偏置;
(3e)将训练数据在调整后的网络中重新传播,得到新的预测结果;
(3f)采用迭代的方法,重复执行步骤(3d)-(3e),直到预测结果与真实标记间的损失达到最小,即得到训练好的网络PN+CNN-FE。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295552.4A CN109558803B (zh) | 2018-11-01 | 2018-11-01 | 基于卷积神经网络与np准则的sar目标鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295552.4A CN109558803B (zh) | 2018-11-01 | 2018-11-01 | 基于卷积神经网络与np准则的sar目标鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109558803A true CN109558803A (zh) | 2019-04-02 |
CN109558803B CN109558803B (zh) | 2021-07-27 |
Family
ID=65865547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811295552.4A Active CN109558803B (zh) | 2018-11-01 | 2018-11-01 | 基于卷积神经网络与np准则的sar目标鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109558803B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027454A (zh) * | 2019-12-06 | 2020-04-17 | 西安电子科技大学 | 基于深度密集连接和度量学习的sar舰船目标分类方法 |
CN111832406A (zh) * | 2020-06-05 | 2020-10-27 | 中国科学院计算技术研究所 | 一种长尾目标检测方法与系统 |
CN113434816A (zh) * | 2020-09-21 | 2021-09-24 | 重庆工商大学 | 一种噪声增强奈曼-皮尔逊准则下信号检测的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732243A (zh) * | 2015-04-09 | 2015-06-24 | 西安电子科技大学 | 基于cnn的sar目标识别方法 |
CN106874889A (zh) * | 2017-03-14 | 2017-06-20 | 西安电子科技大学 | 基于卷积神经网络的多特征融合sar目标鉴别方法 |
US20180260688A1 (en) * | 2014-07-16 | 2018-09-13 | Deep Learning Analytics, LLC | Systems and Methods for Recognizing Objects in Radar Imagery |
-
2018
- 2018-11-01 CN CN201811295552.4A patent/CN109558803B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260688A1 (en) * | 2014-07-16 | 2018-09-13 | Deep Learning Analytics, LLC | Systems and Methods for Recognizing Objects in Radar Imagery |
CN104732243A (zh) * | 2015-04-09 | 2015-06-24 | 西安电子科技大学 | 基于cnn的sar目标识别方法 |
CN106874889A (zh) * | 2017-03-14 | 2017-06-20 | 西安电子科技大学 | 基于卷积神经网络的多特征融合sar目标鉴别方法 |
Non-Patent Citations (2)
Title |
---|
NING WANG ET AL.: "Feature-Fused SAR Target Discrimination Using Multiple Convolutional Neural Networks", 《 IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
杜兰 等: "基于卷积神经网络的SAR图像目标检测算法", 《电子与信息学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027454A (zh) * | 2019-12-06 | 2020-04-17 | 西安电子科技大学 | 基于深度密集连接和度量学习的sar舰船目标分类方法 |
CN111027454B (zh) * | 2019-12-06 | 2023-03-10 | 西安电子科技大学 | 基于深度密集连接和度量学习的sar舰船目标分类方法 |
CN111832406A (zh) * | 2020-06-05 | 2020-10-27 | 中国科学院计算技术研究所 | 一种长尾目标检测方法与系统 |
CN111832406B (zh) * | 2020-06-05 | 2022-12-06 | 中国科学院计算技术研究所 | 一种长尾目标检测方法与系统 |
CN113434816A (zh) * | 2020-09-21 | 2021-09-24 | 重庆工商大学 | 一种噪声增强奈曼-皮尔逊准则下信号检测的方法 |
CN113434816B (zh) * | 2020-09-21 | 2023-06-06 | 重庆工商大学 | 一种噪声增强奈曼-皮尔逊准则下信号检测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109558803B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
Marzougui et al. | A deep CNN approach for plant disease detection | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN111582225B (zh) | 一种遥感图像场景分类方法及装置 | |
CN107316013A (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN104732244B (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN110930387A (zh) | 基于深度可分离卷积神经网络的织物疵点检测方法 | |
CN108416318A (zh) | 基于数据增强的合成孔径雷达图像目标深度模型识别方法 | |
CN106815604A (zh) | 基于多层信息融合的注视点检测方法 | |
CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN103699874B (zh) | 基于surf流和lle稀疏表示的人群异常行为识别方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN105678788A (zh) | 一种基于hog和低秩分解的织物疵点检测方法 | |
CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
CN110533077A (zh) | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 | |
CN112580480B (zh) | 一种高光谱遥感影像分类方法及装置 | |
Zhan et al. | Semi-supervised classification of hyperspectral data based on generative adversarial networks and neighborhood majority voting | |
CN109558803A (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
CN110084284A (zh) | 基于区域卷积神经网络的目标检测与二级分类算法及装置 | |
CN117557922B (zh) | 改进YOLOv8的无人机航拍目标检测方法 | |
CN109472733A (zh) | 基于卷积神经网络的图像隐写分析方法 | |
CN114419413A (zh) | 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法 | |
CN109766934A (zh) | 一种基于深度Gabor网络的图像目标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |