CN110969212A - 基于空间变换三通道卷积的isar图像分类方法 - Google Patents

基于空间变换三通道卷积的isar图像分类方法 Download PDF

Info

Publication number
CN110969212A
CN110969212A CN201911238748.4A CN201911238748A CN110969212A CN 110969212 A CN110969212 A CN 110969212A CN 201911238748 A CN201911238748 A CN 201911238748A CN 110969212 A CN110969212 A CN 110969212A
Authority
CN
China
Prior art keywords
convolution
group
isar
layer
layers
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.)
Pending
Application number
CN201911238748.4A
Other languages
English (en)
Inventor
白雪茹
周雪宁
王睿娇
周峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201911238748.4A priority Critical patent/CN110969212A/zh
Publication of CN110969212A publication Critical patent/CN110969212A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于空间变换三通道卷积的ISAR图像分类方法，主要解决现有ISAR目标分类技术中无法适应复杂成像环境，未充分利用ISAR图像特征，分类精度低的问题。其实现步骤为：1)生成训练样本集和测试样本集；2)构建基于空间变换三通道卷积的ISAR图像分类网络；3)将训练样本集输入到基于空间变换三通道卷积的ISAR图像分类网络进行训练；4)将测试样本集输入到训练好的基于空间变换三通道卷积的ISAR图像分类网络进行测试，得到网络输出的分类结果。本发明能有效校正图像的空间变换，具有形变稳健性，并通过三通道卷积结构提取图像的特征，提高了ISAR图像的分类精度,可用于ISAR图像的目标检测和识别。

Description

基于空间变换三通道卷积的ISAR图像分类方法
技术领域
本发明属于图像处理技术领域，特别涉及一种逆合成孔径雷达ISAR图像分类方法，可用于ISAR图像的目标检测和识别。
背景技术
逆合成孔径雷达ISAR具有全天时、全天候、远作用距离等特点，在海面、空中、空间目标自动目标识别ATR等领域有广泛的应用。目标的二维高分辨ISAR像为其三维散射中心分布向二维成像平面的投影，因此蕴含着目标形状、结构、尺寸、运动等重要的可区分特征。
ISAR图像与普通的光学图像不同，ISAR观测对象主要为人造目标，反映散射中心的后向散射强度，并且随成像平面的改变而快速变化，具有很强的各向异性，对于同一目标，在不同观测条件下，如不同观测带宽，其对应的ISAR像差异性很大，很难提取其稳健特征；由于ISAR受到目标运动方向、观测带宽、相参积累时间、距离和方位采样率等因素的影响，因此ISAR图像具有旋转敏感、尺度伸缩敏感、平移敏感等特性。
为克服ISAR像所特有的旋转、伸缩、尺度及平移敏感性，基于ISAR图像进行自动目标识别的方法主要有提取稳健特征、构建形变匹配模板、校正图像形变。
所述提取稳健特征，是利用ISAR图像的特性，将ISAR图像在旋转和伸缩两个变量上进行投影，根据归一化互相关最大准则进行分类。但是，这种投影方法会损失目标重要的形状与结构等可区分信息，并且由于要求所有样本具有相同方位尺度因子，此类方法无法适应复杂的实际应用场景。
所述构建形变匹配模板，是利用目标的尺寸和形状等特征构建包含轮廓与边界的原型模板及对应的概率形变变换集，进而在贝叶斯框架下寻找目标与形变模板的最优匹配。但由于该方法需要大量的样本作为参照，故不能有效进行小样本集的分类。
所述校正图像形变，是利用目标方位和运动参数对已知样本进行旋转和尺度变化，建立目标真实三维散射中心分布与ISAR像之间的仿射变换模型。在识别过程中，根据该模型逐一对已知样本和待分类样本进行仿射参数估计，并以匹配分数最大为准则实现分类识别。此类方法由于在计算过程中包含大量复杂的变形参数，因而计算量过大。
由于深度学习并不需要人工提取特征以及过多专业知识和人工计算量，能够适应多变复杂的环境，通过神经网络模型的训练自动稳健地提取图像特征，有效克服ISAR图像的旋转敏感、尺度伸缩敏感、平移敏感等特性，完成图像的分类，因此近年来被广泛应用在雷达自动目标识别的研究中。
Carlos Pena-Caballero,Elifaleth Cantu Jesus,RodriguezX.，在其发表的论文“Automatic Target Recognition of Aircraft using Inverse Synthetic ApertureRadar”，(arXiv:1711.04901v2[cs.CV]12Mar 2018.)中提出了一种利用卷积神经网络自主学习ISAR图像特征的逆合成孔径雷达ISAR自动目标识别ATR方法。该方法的具体步骤为：首先使用3D模型对目标进行建模，使用逆合成孔径雷达ISAR对目标模型生成回波并成像，生成ISAR图像保留了每个散射点的散射强度值，再将ISAR图像输入设计的卷积神经网络中进行训练，训练过程中自动学习到ISAR图像的特征，输出得到ISAR图像的分类结果，该方法虽然利用了ISAR图像中蕴含大量轮廓和结构信息的散射特性，减少了大量的专家设计特征和人工计算量，但对于复杂多变的成像环境并没有充分考虑，当成像条件发生变化时，此方法并不能有效的适应ISAR图像的形变，因此分类精度降低。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于空间变换三通道卷积的ISAR图像分类方法，以提升对目标的识别性能，提高目标分类精度。
为实现上述目的，本发明采用的技术方案包括如下步骤：
(1)生成训练样本集和测试样本集：
(1a)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为50°，方位角为0°～359°，在带宽为1.5G、积累角为5°和带宽为2G、积累角为6°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；
(1b)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为55°，方位角为0°～359°，在带宽为1G、积累角为5°和带宽为2G、积累角为4°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；
(1c)分别围绕(1a)与(1b)中得到的每幅ISAR图像的中心，将每幅ISAR图像裁剪为120×120个像素，并将每幅ISAR图像旋转至方位角为0°，得到用于训练和测试的0°方位角ISAR图像各8640张；
(1d)分别围绕每幅用于训练的0°方位角的ISAR图像的中心，将每幅ISAR图像在-5°～5°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于训练的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为训练样本集R；
(1e)分别围绕每幅用于测试的0°方位角的ISAR图像的中心，将每幅ISAR图像在-30°～30°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于测试的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为测试样本集E；
(2)构建基于空间变换三通道卷积的ISAR图像分类网络：
(2a)由第一个五组卷积-BN-tanh-池化结构依次级联，并在最后一组卷积-BN-tanh-池化结构的后边再依次级联第一全连接层、第一dropout层、第二全连接层，得到第一深度卷积网络N1；
(2b)由第二个五组卷积-BN-tanh-池化结构依次级联，并在最后一组结构中的池化层后依次级联第三全连接层、第二dropout层、第四全连接层，得到第二深度卷积网络N2；
(2c)将第一深度卷积网络N1、第一仿射变换单元、第二深度卷积网络N2、第二仿射变换单元依次级联，得到一个空间变换网络T；
(2d)由三通道5组卷积层-BN-ReLU-池化层结构依次级联，得到三通道5组卷积网络N3；
(2e)由空间变换网络T和三通道卷积网络N3、第五全连接层、第三dropout层、第六全连接层、softmax分类器依次级联，得到基于空间变换三通道卷积的ISAR图像分类网络U；
(3)将训练样本集R输入到基于空间变换三通道卷积的ISAR图像分类网络U进行训练，得到训练好的基于空间变换三通道卷积的ISAR图像分类网络；
(4)将测试样本集E输入到训练好的基于空间变换三通道卷积的ISAR图像分类网络进行测试，得到网络输出的分类结果。
本发明与现有技术相比，具有以下优点：
1.由于本发明采用空间变换网络产生两个仿射变换单元，用这两个仿射变换单对图像进行了两次仿射变换，能够有效校正图像的旋转、平移、尺度变化等空间变换，具有形变稳健性，能够适应复杂多变的成像环境；
2.由于本发明采用三通道卷积结构，在每个通道内提取ISAR图像的特征，充分利用了ISAR图像因不同极化方式而产生的不同结构特征，大幅度提高了目标的分类精度。
附图说明
图1是本发明的实现流程图；
具体实施方式
下面结合附图对本发明的实施例和效果做进一步的描述。
参照图1，对本实施例的实现步骤如下。
步骤1，生成训练样本集和测试样本集。
1.1)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为50°，方位角为0°～359°，在带宽为1.5G、积累角为5°和带宽为2G、积累角为6°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；
1.2)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为55°，方位角为0°～359°，在带宽为1G、积累角为5°和带宽为2G、积累角为4°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；
1.3)分别围绕1.1)与1.2)中得到的每幅ISAR图像的中心，将每幅ISAR图像裁剪为120×120个像素，并将每幅ISAR图像旋转至方位角为0°，得到用于训练和测试的0°方位角ISAR图像各8640张；
1.4)分别围绕每幅用于训练的0°方位角的ISAR图像的中心，将每幅ISAR图像在-5°～5°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于训练的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为训练样本集R；
1.5)分别围绕每幅用于测试的0°方位角的ISAR图像的中心，将每幅ISAR图像在-30°～30°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于测试的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为测试样本集E。
步骤2，构建基于空间变换三通道卷积的ISAR图像分类网络。
2.1)由第一个五组卷积-BN-tanh-池化结构依次级联，并在最后一组卷积-BN-tanh-池化结构的后边再依次级联第一全连接层、第一dropout层、第二全连接层，得到第一深度卷积网络N1,该网络的各层参数设置如下：
第一组卷积层的卷积核大小为9×9个像素，卷积核数量为4个；
第二组卷积层的卷积核大小为7×7个像素，卷积核数量为8个；
第三组卷积层的卷积核大小为5×5个像素，卷积核数量为16个；
第四组卷积层的卷积核大小为3×3个像素，卷积核数量为32个；
第五组卷积层的卷积核大小为3×3个像素，卷积核数量为64个；
五组池化层的核大小均为2×2个像素；
第一全连接层神经元个数为50个；
第二全连接层神经元个数为6个。
2.2)由第二个五组卷积-BN-tanh-池化结构依次级联，并在最后一组结构中的池化层后依次级联第三全连接层、第二dropout层、第四全连接层，得到第二深度卷积网络N2,该网络的各层参数设置如下：
第1组卷积层的卷积核大小为9×9个像素，卷积核数量为8个；
第2组卷积层的卷积核大小为7×7个像素，卷积核数量为16个；
第3组卷积层的卷积核大小为5×5个像素，卷积核数量为32个；
第4组卷积层的卷积核大小为3×3个像素，卷积核数量为64个；
第5组卷积层的卷积核大小为3×3个像素，卷积核数量为128个；
5组池化层的核大小均为2×2个像素；
第三全连接层神经元个数为50个；
第四全连接层神经元个数为6个。
2.3)使用第二层全连接层输出的六个变换参数组成变换矩阵，用该变换矩阵构成第一仿射变换单元，用于对ISAR图像进行仿射变换，得到第一次处理后的ISAR图像；
2.4)使用第四层全连接层输出的六个变换参数组成变换矩阵，用该变换矩阵构成第二仿射变换单元，用于对第一次处理后的ISAR图像进行仿射变换，得到第二次处理后的ISAR图像；
2.5)将第一深度卷积网络N1、第一仿射变换单元、第二深度卷积网络N2、第二仿射变换单元依次级联，得到一个空间变换网络T；
2.6)由三个相同结构的通道并联，每个通道由5组卷积层-BN-ReLU-池化层结构依次级联，得到三通道5组卷积网络N3,每个通道的各层参数设置如下：
第Ⅰ组卷积层的卷积核大小为9×9个像素，卷积核数量为8个；
第Ⅱ组卷积层的卷积核大小为7×7个像素，卷积核数量为16个；
第Ⅲ组卷积层的卷积核大小为5×5个像素，卷积核数量为32个；
第Ⅳ组卷积层的卷积核大小为3×3个像素，卷积核数量为64个；
第Ⅴ组卷积层的卷积核大小为3×3个像素，卷积核数量为128个；
五组池化层的核大小均为2×2个像素。
2.7)由空间变换网络T和三通道卷积网络N3、第五全连接层、第三dropout层、第六全连接层、softmax分类器依次级联，得到基于空间变换三通道卷积的ISAR图像分类网络U；其中
第五全连接层的神经元个数为50个；
第六全连接层的神经元个数为4个。
步骤3，将训练样本集R输入到基于空间变换三通道卷积的ISAR图像分类网络U进行训练，得到训练好的基于空间变换三通道卷积的ISAR图像分类网络。
3.1)初始化基于空间变换三通道卷积的ISAR图像分类网络U中各卷积层的卷积核及各全连接层的权值与偏置；
3.2)将ISAR图像输入到第一深度卷积神经网络N1，在该第一组卷积层中由卷积核滑动计算产生输出特征图，对输出特征图依次进行批归一化和激活，并将激活后的输出特征图作为第一池化层的输入，将第一组池化层的输出作为第二组卷积层的输入特征图；
3.3)重复步骤3.2)，将第五组池化层的输出经第一全连接层、第一dropout层、第二全连接层计算后，输出六个变换参数，将这六个参数组成变换矩阵，用该变换矩阵构成第一仿射变换单元，对ISAR图像的像素矩阵进行仿射变换，得到第一次处理后的ISAR图像；
3.4)将第一次处理后的ISAR图像输入到第二深度卷积神经网络N2，在其第1组卷积层中由卷积核滑动计算产生输出特征图，对输出特征图依次进行批归一化和激活，并将激活后的输出特征图作为第1池化层的输入，将第1组池化层的输出作为第2组卷积层的输入特征图；
3.5)重复步骤3.4)，将第5组池化层的输出经第三全连接层、第二dropout层、第三全连接层计算后，输出六个变换参数，将这六个参数组成变换矩阵，用该变换矩阵构成第二仿射变换单元，对第一次处理后的ISAR图像的像素矩阵进行仿射变换，得到第二次处理后的ISAR图像；
3.6)将第二次处理后的ISAR图像输入到三通道卷积网络N3，在该第Ⅰ组卷积层中由卷积核滑动计算产生输出特征图，对输出特征图依次进行批归一化和激活，并将激活后的输出特征图作为第Ⅰ池化层的输入，将第Ⅰ组池化层的输出作为第Ⅱ组卷积层的输入特征图；
3.7)重复步骤3.6)，将第Ⅴ组池化层的输出依次经第五全连接层、第三dropout层、第六全连接层和softmax分类器进行计算，得到基于空间变换三通道卷积的ISAR图像分类网络的输出yk；
3.8)将交叉熵函数定义为基于空间变换三通道卷积的ISAR图像分类网络的损失函数，具体形式为：
Figure BDA0002305599030000071
其中，w为基于空间变换三通道卷积的ISAR图像分类网络中所有可训练的参数，yk是基于空间变换三通道卷积的ISAR图像分类网络的输出，tk是样本的真实标签，N为类别种类数目；
3.9)对权值w进行更新，更新公式为：
wnew＝wold-ηΔL(wold)，
其中，wnew是更新得到的权值，wold是更新前的权值，η是学习率，ΔL(wold)是损失函数L(w)对wold的偏导，即
Figure BDA0002305599030000072
3.10)使用更新后的权值wnew再次进行步骤3.1)-步骤3.9)的计算过程，如此进行多次迭代更新，当损失函数L(w)稳定收敛后，停止迭代，得到权值w的最优值，即得到训练好的基于空间变换三通道卷积的ISAR图像分类网络。
步骤4，将测试样本集E输入到训练好的基于空间变换三通道卷积的ISAR图像分类网络进行测试，得到网络输出的分类结果。
本发明的效果可以通过以下仿真实验说明：
1、仿真实验条件：
仿真实验硬件平台为Intel Xeon E5-2683@2.00GHz CPU、64GB RAM、NVIDIAGeforce GTX1080 Ti GPU，仿真实验软件平台为Python 3.6和Tensorflow 1.3。
本发明的仿真实验选择四种卫星目标OCO-2、Cloud-sat、CALIPSO、Janson3。
2、仿真实验内容与结果分析：
仿真实验：在相同的数据集下，应用本发明方法和传统卷积神经网络方法对目标进行分类，并通过以下公式分别计算两种方法的分类正确率：
Figure BDA0002305599030000081
其中，c表示测试样本集的识别正确率，M表示测试样本集的样本数量，h(·)表示分类鉴别函数，ti表示测试样本集中第i个测试样本的真实类别，yi表示测试样本集中第i个测试样本对应的网络输出结果，当ti和yi相等时，h(ti,yi)等于1，否则，h(ti,yi)等于0。
在本发明方法中，首先使用训练样本集训练基于空间变换三通道卷积的ISAR图像分类网络，得到训练好的基于空间变换三通道卷积的ISAR图像分类网络，然后使用测试样本集在训练好的基于空间变换三通道卷积的ISAR图像分类网络上进行测试，计算得到本发明的分类正确率为89.03％。
在传统卷积神经网络方法中，使用训练样本集训练卷积神经网络，得到训练好的卷积神经网络，然后使用测试样本集在训练好的卷积神经网络上进行测试，计算得到传统卷积神经网络的分类正确率为74.44％。
由两种实验分类正确率的结果可以看出，本发明提出的基于空间变换三通道卷积的ISAR图像分类方法相比于现有方法，能够有效提取ISAR图像的特征，提高ISAR图像的分类精度。

Claims (7)

1.一种基于空间变换三通道卷积的ISAR图像分类方法，其特征在于，包括如下：
(1)生成训练样本集和测试样本集：
(1a)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为50°，方位角为0°～359°，在带宽为1.5G、积累角为5°和带宽为2G、积累角为6°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；
(1b)对四类卫星目标的HH、HV、VV三种极化雷达回波使用Keystone变换及RD算法，设置俯仰角为55°，方位角为0°～359°，在带宽为1G、积累角为5°和带宽为2G、积累角为4°这两种条件，针对每种条件，分别生成每类卫星目标的ISAR图像各4320张，得到共8640张ISAR图像；
(1c)分别围绕(1a)与(1b)中得到的每幅ISAR图像的中心，将每幅ISAR图像裁剪为120×120个像素，并将每幅ISAR图像旋转至方位角为0°，得到用于训练和测试的0°方位角ISAR图像各8640张；
(1d)分别围绕每幅用于训练的0°方位角的ISAR图像的中心，将每幅ISAR图像在-5°～5°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于训练的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为训练样本集R；
(1e)分别围绕每幅用于测试的0°方位角的ISAR图像的中心，将每幅ISAR图像在-30°～30°之间随机选择5个方位角进行旋转，得到共43200张ISAR图像，并将这些图像与用于测试的0°方位角的ISAR图像合并，得到共51840张ISAR图像及相应的标签作为测试样本集E；
(2)构建基于空间变换三通道卷积的ISAR图像分类网络：
(2a)由第一个五组卷积-BN-tanh-池化结构依次级联，并在最后一组卷积-BN-tanh-池化结构的后边再依次级联第一全连接层、第一dropout层、第二全连接层，得到第一深度卷积网络N1；
(2b)由第二个五组卷积-BN-tanh-池化结构依次级联，并在最后一组结构中的池化层后依次级联第三全连接层、第二dropout层、第四全连接层，得到第二深度卷积网络N2；
(2c)将第一深度卷积网络N1、第一仿射变换单元、第二深度卷积网络N2、第二仿射变换单元依次级联，得到一个空间变换网络T；
(2d)由三通道5组卷积层-BN-ReLU-池化层结构依次级联，得到三通道5组卷积网络N3；
(2e)由空间变换网络T和三通道卷积网络N3、第五全连接层、第三dropout层、第六全连接层、softmax分类器依次级联，得到基于空间变换三通道卷积的ISAR图像分类网络U；
(3)将训练样本集R输入到基于空间变换三通道卷积的ISAR图像分类网络U进行训练，得到训练好的基于空间变换三通道卷积的ISAR图像分类网络；
(4)将测试样本集E输入到训练好的基于空间变换三通道卷积的ISAR图像分类网络进行测试，得到网络输出的分类结果。
2.根据权利要求1所述的方法，其中所述(2a)中的第一深度卷积网络N1，其各层参数设置如下：
第一组卷积层的卷积核大小为9×9个像素，卷积核数量为4个；
第二组卷积层的卷积核大小为7×7个像素，卷积核数量为8个；
第三组卷积层的卷积核大小为5×5个像素，卷积核数量为16个；
第四组卷积层的卷积核大小为3×3个像素，卷积核数量为32个；
第五组卷积层的卷积核大小为3×3个像素，卷积核数量为64个；
五组池化层的核大小均为2×2个像素；
第一全连接层神经元个数为50个；
第二全连接层神经元个数为6个。
3.根据权利要求1所述的方法，其中所述(2b)中的第二深度卷积网络N2，其各层参数设置如下：
第1组卷积层的卷积核大小为9×9个像素，卷积核数量为8个；
第2组卷积层的卷积核大小为7×7个像素，卷积核数量为16个；
第3组卷积层的卷积核大小为5×5个像素，卷积核数量为32个；
第4组卷积层的卷积核大小为3×3个像素，卷积核数量为64个；
第5组卷积层的卷积核大小为3×3个像素，卷积核数量为128个；
5组池化层的核大小均为2×2个像素；
第三全连接层神经元个数为50个；
第四全连接层神经元个数为6个。
4.根据权利要求1所述的方法，其中所述(2c)的第一仿射变换单元、第二仿射变换单元，是分别使用第二层全连接层、第四层全连接层输出的六个变换参数组成变换矩阵，用于对图像进行变换，输出变换后的图像。
5.根据权利要求1所述的方法，其中所述(2d)中的三通道5组卷积网络N3，其每个通道结构相同，每个通道的各层参数设置如下：
第Ⅰ组卷积层的卷积核大小为9×9个像素，卷积核数量为8个；
第Ⅱ组卷积层的卷积核大小为7×7个像素，卷积核数量为16个；
第Ⅲ组卷积层的卷积核大小为5×5个像素，卷积核数量为32个；
第Ⅳ组卷积层的卷积核大小为3×3个像素，卷积核数量为64个；
第Ⅴ组卷积层的卷积核大小为3×3个像素，卷积核数量为128个；
五组池化层的核大小均为2×2个像素。
6.根据权利要求1所述的方法，其中所述(2e)中的第五全连接层、第六全连接层参数设置如下：
第五全连接层神经元个数为50个；
第六全连接层神经元个数为4个。
7.根据权利要求1所述的方法，其中所述(3)中的训练过程实现如下：
(3a)初始化基于空间变换三通道卷积的ISAR图像分类网络U中各卷积层的卷积核及各全连接层的权值与偏置；
(3b)将ISAR图像输入到第一深度卷积神经网络N1，在其第一组卷积层中由卷积核滑动计算产生输出特征图，对输出特征图依次进行批归一化和激活，并将激活后的输出特征图作为第一池化层的输入，将第一组池化层的输出作为第二组卷积层的输入特征图；
(3c)重复步骤(3b)，将第五组池化层的输出经第一全连接层、第一dropout层、第二全连接层计算后，输出六个变换参数，第一仿射变换单元将这六个参数组成变换矩阵，对ISAR图像的像素矩阵进行遍历相乘，得到第一次处理后的ISAR图像；
(3d)将第一次处理后的ISAR图像输入到第二深度卷积神经网络N2，在其第1组卷积层中由卷积核滑动计算产生输出特征图，对输出特征图依次进行批归一化和激活，并将激活后的输出特征图作为第1池化层的输入，将第1组池化层的输出作为第2组卷积层的输入特征图；
(3e)重复步骤(3d)，将第5组池化层的输出经第三全连接层、第二dropout层、第三全连接层计算后，输出六个变换参数，第二仿射变换单元将这六个参数组成变换矩阵，对第一次处理后的ISAR图像的像素矩阵进行遍历相乘，得到第二次处理后的ISAR图像；
(3f)将第二次处理后的ISAR图像输入到三通道卷积网络N3，在其第Ⅰ组卷积层中由卷积核滑动计算产生输出特征图，对输出特征图依次进行批归一化和激活，并将激活后的输出特征图作为第Ⅰ池化层的输入，将第Ⅰ组池化层的输出作为第Ⅱ组卷积层的输入特征图；
(3g)重复步骤(3f)，将第Ⅴ组池化层的输出经第五全连接层、第三dropout层、第六全连接层、softmax分类器进行计算，得到基于空间变换三通道卷积的ISAR图像分类网络的输出yk；
(3h)将交叉熵函数定义为基于空间变换三通道卷积的ISAR图像分类网络的损失函数L(w)，具体形式为：
Figure FDA0002305599020000041
其中，w为基于空间变换三通道卷积的ISAR图像分类网络中所有可训练的参数，yk是基于空间变换三通道卷积的ISAR图像分类网络的输出，tk是样本的真实标签，N为类别种类数目；
(3i)对权值w进行更新，更新公式为：
wnew＝wold-ηΔL(wold)，
其中，wnew是更新得到的权值，wold是更新前的权值，η是学习率，ΔL(wold)是损失函数L(w)对wold的偏导，即
Figure FDA0002305599020000042
(3g)使用更新后的权值wnew再次进行(3a)-(3i)的计算过程，如此进行多次迭代更新，当损失函数L(w)稳定收敛后，停止迭代，得到权值w的最优值，即得到训练好的基于空间变换三通道卷积的ISAR图像分类网络。
CN201911238748.4A 2019-12-06 2019-12-06 基于空间变换三通道卷积的isar图像分类方法 Pending CN110969212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911238748.4A CN110969212A (zh) 2019-12-06 2019-12-06 基于空间变换三通道卷积的isar图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911238748.4A CN110969212A (zh) 2019-12-06 2019-12-06 基于空间变换三通道卷积的isar图像分类方法

Publications (1)

Publication Number Publication Date
CN110969212A true CN110969212A (zh) 2020-04-07

Family

ID=70033141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911238748.4A Pending CN110969212A (zh) 2019-12-06 2019-12-06 基于空间变换三通道卷积的isar图像分类方法

Country Status (1)

Country Link
CN (1) CN110969212A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052762A (zh) * 2020-08-27 2020-12-08 西安电子科技大学 基于高斯原型的小样本isar图像目标识别方法
CN112801065A (zh) * 2021-04-12 2021-05-14 中国空气动力研究与发展中心计算空气动力研究所 一种基于时空多特征信息的被动声纳目标探测方法及装置
CN112949555A (zh) * 2021-03-17 2021-06-11 西安电子科技大学 基于目标先验信息的空间目标isar图像分类方法
CN116486184A (zh) * 2023-06-25 2023-07-25 电子科技大学成都学院 一种乳腺病理图像识别分类方法、系统、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069460A (zh) * 2015-08-21 2015-11-18 航天长征火箭技术有限公司 一种isar图像舰船目标特征提取方法
CN108776779A (zh) * 2018-05-25 2018-11-09 西安电子科技大学 基于卷积循环网络的sar序列图像目标识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069460A (zh) * 2015-08-21 2015-11-18 航天长征火箭技术有限公司 一种isar图像舰船目标特征提取方法
CN108776779A (zh) * 2018-05-25 2018-11-09 西安电子科技大学 基于卷积循环网络的sar序列图像目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XUERU BAI等: "Robust Pol-ISAR Target Recognition Based on ST-MC-DCNN", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052762A (zh) * 2020-08-27 2020-12-08 西安电子科技大学 基于高斯原型的小样本isar图像目标识别方法
CN112949555A (zh) * 2021-03-17 2021-06-11 西安电子科技大学 基于目标先验信息的空间目标isar图像分类方法
CN112949555B (zh) * 2021-03-17 2023-03-24 西安电子科技大学 基于目标先验信息的空间目标isar图像分类方法
CN112801065A (zh) * 2021-04-12 2021-05-14 中国空气动力研究与发展中心计算空气动力研究所 一种基于时空多特征信息的被动声纳目标探测方法及装置
CN116486184A (zh) * 2023-06-25 2023-07-25 电子科技大学成都学院 一种乳腺病理图像识别分类方法、系统、设备及介质
CN116486184B (zh) * 2023-06-25 2023-08-18 电子科技大学成都学院 一种乳腺病理图像识别分类方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
Cui et al. Image data augmentation for SAR sensor via generative adversarial nets
Wang et al. Fusing bird’s eye view lidar point cloud and front view camera image for 3d object detection
CN108776779B (zh) 基于卷积循环网络的sar序列图像目标识别方法
CN110781830B (zh) 基于空-时联合卷积的sar序列图像分类方法
CN110969212A (zh) 基于空间变换三通道卷积的isar图像分类方法
Feng et al. Electromagnetic scattering feature (ESF) module embedded network based on ASC model for robust and interpretable SAR ATR
CN106355151B (zh) 一种基于深度置信网络的三维sar图像目标识别方法
CN110245711B (zh) 基于角度旋转生成网络的sar目标识别方法
CN108921030B (zh) 一种sar自动目标识别方法
CN108537121B (zh) 气象环境参数与图像信息融合的自适应遥感场景分类方法
CN113902969B (zh) 融合cnn与图像相似度的零样本sar目标识别方法
CN108960258A (zh) 一种基于自学习深度特征的模板匹配方法
Kim et al. A robust matching network for gradually estimating geometric transformation on remote sensing imagery
CN113240047A (zh) 基于部件解析多尺度卷积神经网络的sar目标识别方法
CN114119621A (zh) 基于深度编解码融合网络的sar遥感图像水域分割方法
CN108154176B (zh) 一种针对单一深度图像的3d人体姿态估计算法
CN109871907B (zh) 基于sae-hmm模型的雷达目标高分辨率距离像识别方法
Zhai et al. SAR image generation using structural bayesian deep generative adversarial network
CN113343765B (zh) 一种基于点云刚性配准的场景检索方法及系统
CN110991354A (zh) 基于逆空间变换网络的isar图像识别方法
Schmidt et al. Object detection of aerial image using mask-region convolutional neural network (mask R-CNN)
CN115792908B (zh) 一种基于高分多角度星载sar特征融合的目标检测方法
CN115294398A (zh) 一种基于多姿态角联合学习的sar图像目标识别方法
CN111046861B (zh) 识别红外影像的方法、构建识别模型的方法及应用
CN115223080A (zh) 一种基于非局部特征聚合神经网络的目标分割方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200407