CN110991418A - 合成孔径雷达目标图像识别方法及系统 - Google Patents
合成孔径雷达目标图像识别方法及系统 Download PDFInfo
- Publication number
- CN110991418A CN110991418A CN201911335801.2A CN201911335801A CN110991418A CN 110991418 A CN110991418 A CN 110991418A CN 201911335801 A CN201911335801 A CN 201911335801A CN 110991418 A CN110991418 A CN 110991418A
- Authority
- CN
- China
- Prior art keywords
- sample set
- test sample
- training sample
- image
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 103
- 238000012360 testing method Methods 0.000 claims abstract description 83
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 51
- 238000011176 pooling Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 21
- 230000003068 static effect Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 108010049931 Bone Morphogenetic Protein 2 Proteins 0.000 description 1
- 102100024506 Bone morphogenetic protein 2 Human genes 0.000 description 1
- 241000370001 Hantavirus Liu Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
Images
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
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种合成孔径雷达目标图像识别方法及系统,所述识别方法包括:从MSTAR数据集中,获取训练样本集和测试样本集;通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络;基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。本发明通过训练样本集对原始双流卷积神经网络进行训练,可降低参数数量,提高识别效率;基于训练好的双流卷积神经网络,对待识别目标图像进行识别,从而可准确得到待识别目标图像的类别,可提高识别的正确率。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种合成孔径雷达(Synthetic ApertureRadar,SAR)目标图像识别方法及系统。
背景技术
合成孔径雷达SAR能够全天时、全天候的获得高分辨率图像,且具有较强的穿透性,因而被广泛的应用于军事、灾害、地质、农业等领域。SAR目标识别是SAR图像解译的重要内容,近年来受到越来越多人的关注。
现有的SAR目标识别方法可以分为三种:模板匹配方法、基于模型的方法和基于机器学习的方法。近年来,为了提高SAR目标识别的精度,学者们提出了一些基于深度神经网络的SAR目标识别方法,取得了显著的识别结果。
例如,Ding等人(参见参考文献:J.Ding,B.Chen,H.Liu and M.Huang,"Convolutional Neural Network With Data Augmentation for SAR TargetRecognition,"in IEEE Geoscience and Remote Sensing Letters,vol.13,no.3,pp.364-368,March 2016.)提出了一种基于数据扩充的卷积神经网络的SAR目标识别方法,该方法提出了三种数据扩充的方式,提高了SAR目标识别正确率。Chen等人(参见参考文献:S.Chen,H.Wang,F.Xu and Y.Jin,"Target Classification Using the DeepConvolutional Networks for SAR Images,"in IEEE Transactions on Geoscience andRemote Sensing,vol.54,no.8,pp.4806-4817,Aug.2016.)提出了一种新的卷积神经网络结构用于SAR目标识别,该卷积神经网络中所有的层都利用稀疏连接的方式,而不是全连接的方式,这样就成功避免了在少量训练样本情况下过拟合的问题。
通常情况下,为了取得好的效果,现有方法会不断加深网络结构,但是随着网络层数不断增加,模型体积越来越大,会导致实际应用中的权值参数存储问题和计算速度问题。因而如何在减少网络参数的同时,保证网络性能至关重要。
发明内容
为了解决现有技术中的上述问题,即为了减少网络参数,提高识别速度,本发明的目的在于提供一种合成孔径雷达SAR目标图像识别方法及系统。
为解决上述技术问题,本发明提供了如下方案:
一种合成孔径雷达目标图像识别方法,所述识别方法包括:
从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本图像;
通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络;
基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
可选地,所述从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,具体包括:
从移动和静止目标获取与识别MSTAR数据集中,分别选取在第一设定俯仰角下观测的第一历史SAR图像和在第二设定俯仰角下观测的第二历史SAR图像;
通过多次随机地从第一历史SAR图像及第二历史SAR图像中截取相同尺寸的图像块,得到训练样本集的训练样本图像和测试样本集的测试样本图像;
确定所述训练样本集的中各训练样本图像及对应的标签。
可选地,所述第一设定俯仰角为17°,所述第二设定俯仰角为15°。
可选地,随机截图图像块的次数为5次。
可选地,所述原始双流卷积神经网络包括依次连接的第一子网络、第二子网络及第三子网络;
其中,所述第一子网络由3层第一卷积层和3层池化层交替构成;
所述第二子网络分为第一流及第二流,所述第一流由第二卷积层、全局池化层和分组平均层构成,第二流由大步长卷积层、全局池化层和全连接层构成;
所述第三子网络包括分类层,所述分类层分别与所述第一流及第二流连接。
可选地,所述第一卷积层的卷积核大小为5×5,步长均为1,激活函数为整流线性单元ReLU函数,所产生的特征图数目分别为16、32和64;各所述池化层均采用最大池化,池化大小为2×2,步长为2;
所述第二卷积层的卷积核为1×1,步长为1,产生的特征图数目为512;全局池化层的为:X[l]为l层中的任一特征图,nH和nW分别为特征图的高度和宽度,经过全局池化层后512个特征图变成512个对应的特征;在分组平均层中,将512个特征平均分成C组,并在C组内求平均,最终得到一个C维特征的向量,C表示类别数;所述大步长卷积层的卷积核为3×3,步长为3;
所述分类层的损失函数由所述第一流和第二流的交叉熵损失函数以及正则化项构成:
J(W)=E1(W)+E2(W)+γ||W||2;
其中,J(W)表示损失函数,E1(W)表示第一流交叉熵损失函数,E2(W)为第二流的交叉熵损失函数,γ||W||2表示正则化项,γ表示正则化项参数,||·||2表示范数,W表示网络参数。
为解决上述技术问题,本发明还提供了如下方案:
一种合成孔径雷达目标图像识别系统,所述识别系统包括:
获取单元,用于从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本图像;
训练单元,用于通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络;
识别单元,用于基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
可选地,所述获取单元包括:
选取模块,用于从移动和静止目标获取与识别MSTAR数据集中,分别选取在第一设定俯仰角下观测的第一历史SAR图像和在第二设定俯仰角下观测的第二历史SAR图像;
截取模块,用于通过多次随机地从第一历史SAR图像及第二历史SAR图像中截取相同尺寸的图像块,得到训练样本集的训练样本图像和测试样本集的测试样本图像;
确定模块,用于确定所述训练样本集的中各训练样本图像及对应的标签。
为解决上述技术问题,本发明还提供了如下方案:
一种合成孔径雷达目标图像识别系统,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本图像;
通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络;
基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
为解决上述技术问题,本发明还提供了如下方案:
一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本图像;
通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络;
基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
根据本发明的实施例,本发明公开了以下技术效果:
本发明通过训练样本集对原始双流卷积神经网络进行训练,可降低参数数量,提高识别效率;基于训练好的双流卷积神经网络,对待识别目标图像进行识别,从而可准确得到待识别目标图像的类别,可提高识别的正确率。
附图说明
图1是本发明合成孔径雷达SAR目标图像识别方法的流程图;
图2是通过本发明合成孔径雷达SAR目标图像识别方法的仿真图;
图3是本发明合成孔径雷达SAR目标图像识别系统的模块结构示意图。
符号说明:
获取单元—1,训练单元—2,识别单元—3。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
本发明的目的在于提供一种合成孔径雷达目标图像识别方法,通过训练样本集对原始双流卷积神经网络进行训练,可降低参数数量,提高识别效率;基于训练好的双流卷积神经网络,对待识别目标图像进行识别,从而可准确得到待识别目标图像的类别,可提高识别的正确率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明合成孔径雷达目标图像识别方法包括:
步骤100:从MSTAR(Moving and stationary target acquisition andrecognition,移动和静止目标获取与识别)数据集中,获取训练样本集和测试样本集。
所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本图像。
步骤200:通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练双流卷积神经网络。
步骤300:基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
具体地,在步骤100中,所述从MSTAR数据集中,获取训练样本集和测试样本集,具体包括:
步骤101:从MSTAR数据集中,分别选取在第一设定俯仰角下观测的第一历史SAR图像和在第二设定俯仰角下观测的第二历史SAR图像。
优选地,所述第一设定俯仰角为17°,所述第二设定俯仰角为15°。
步骤102:通过多次随机地从第一历史SAR图像及第二历史SAR图像中截取相同尺寸的图像块,得到训练样本集的训练样本图像和测试样本集的测试样本图像。
在本实施例中,通过5次随机地从每张图像中截取88×88的图像块,得到对应的多个第一图像块及多个第二图像块。
步骤103:确定所述训练样本集的中各训练样本图像及对应的标签。
进一步地,可同时确定所述测试样本集中的各待识别的测试样本图像的真实标签。
在步骤200中,所述原始双流卷积神经网络包括依次连接的第一子网络、第二子网络及第三子网络。
其中,所述第一子网络由3层第一卷积层和3层池化层交替构成。
所述第一卷积层的卷积核大小为5×5,步长均为1,激活函数为整流线性单元ReLU函数,所产生的特征图数目分别为16、32和64;各所述池化层均采用最大池化,池化大小为2×2,步长为2。
所述第二子网络分为第一流及第二流,所述第一流由第二卷积层、全局池化层和分组平均层构成,第二流由大步长卷积层、全局池化层和全连接层构成。
所述第二卷积层的卷积核为1×1,步长为1,产生的特征图数目为512;全局池化层的为:X[l]为l层中的任一特征图,nH和nW分别为特征图的高度和宽度,经过全局池化层后512个特征图变成512个对应的特征;在分组平均层中,将512个特征平均分成C组,并在C组内求平均,最终得到一个C维特征的向量,C表示类别数;所述大步长卷积层的卷积核为3×3,步长为3。
所述第三子网络包括分类层,所述分类层分别与所述第一流及第二流连接。
所述分类层的损失函数由所述第一流和第二流的交叉熵损失函数以及正则化项构成:
J(W)=E1(W)+E2(W)+γ||W||2;
其中,J(W)表示损失函数,E1(W)表示的第一流交叉熵损失函数,E2(W)为第二流的交叉熵损失函数,γ||W||2表示正则化项,γ表示正则化项参数,||·||2表示范数,W表示网络参数。
进一步地,可通过各测试样本图像的网络预测标签与真实标签进行对比,确定本发明的准确率。
本发明与现有的技术相比具有以下优点:
第一,本发明改进现有的卷积神经网络,首先通过3层卷积层和池化层提取比较低层次的特征,然后分两流,分别通过全局最大池化和大步长的局部卷积提取更丰富的多层次的特征,提高了识别正确率;
第二,本发明区别于现有的流行的深度神经网络,不追求网络深度,构建双流卷积神经网络,通过大步长卷积、全局池化等方法,实现轻量化,大大降低了参数数量,提高了效率。
下面结合仿真实验对本发明的效果做进一步的描述。
(1)仿真实验的条件
本发明的仿真实验所用数据为公开的移动与静止目标的获取与识别MSTAR数据集,包括雷达俯仰角在15°及17°下的10类地面车辆目标。图2为本发明的仿真图,其中,图2中(1)-(8),依次对应于10类目标,即步兵战车BMP-2、装甲运输车BTR-70、坦克T-72、装甲运输车BTR-60、自行火炮2S1、装甲侦察车BRDM-2、推土机D7、坦克T-62、货运卡车ZIL-131和自行高炮ZSU-234。所有样本图像的大小为128×128像素。训练样本集和测试样本集的数目如表1所示。
本发明的仿真实验的硬件平台为:
Intel(R)Core(TM)i7-6700K CPU 4.00GHz、16RAM、NVIDIA Geforce GTX1080GPU,仿真实验软件平台为Tensorflow 1.4.0。
表1.MSTAR数据库中的训练样本集和测试样本集
(2)仿真实验内容与结果分析
本发明与现有的两种基于卷积神经网络的技术进行了比较,表2是本发明所述方法和现有的两种技术的识别准确率和参数数量比较,方法1参见参考文献:J.Ding,B.Chen,H.Liu and M.Huang,"Convolutional Neural Network With Data Augmentation forSAR Target Recognition,"in IEEE Geoscience and Remote Sensing Letters,vol.13,no.3,pp.364-368,March 2016,方法2参见S.Chen,H.Wang,F.Xu and Y.Jin,"TargetClassification Using the Deep Convolutional Networks for SAR Images,"in IEEETransactions on Geoscience and Remote Sensing,vol.54,no.8,pp.4806-4817,Aug.2016。
表2三种不同方法的识别准确率和参数数量比较
方法 | 准确率(%) | 参数数量(10<sup>6</sup>) |
方法1 | 93.16 | 0.44 |
方法2 | 99.13 | 0.29 |
本发明 | 99.71 | 0.083 |
从表2中可以看出本发明的识别正确率高于其他两种方法,特别是比方法1高出了6%;更重要的是本发明的参数数量比其他两个方法少一个数量级,内存仅仅差不多2M,而当前流行的一些深度神经网络通常占用10M-1000M内存。因而本发明同时保证了高准确率和高效率。
此外,本发明还提供一种合成孔径雷达目标图像识别系统,了减少网络参数,提高识别速度。
如图3所示,本发明合成孔径雷达目标图像识别系统包括:获取单元1、训练单元2及识别单元3。
具体地,所述获取单元1用于从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集。
所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本图像。
所述训练单元2用于通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络。
所述识别单元3用于基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
优选地,所述获取单元包括:
选取模块,用于从移动和静止目标获取与识别MSTAR数据集中,分别选取在第一设定俯仰角下观测的第一历史SAR图像和在第二设定俯仰角下观测的第二历史SAR图像;
截取模块,用于通过多次随机地从第一历史SAR图像及第二历史SAR图像中截取相同尺寸的图像块,得到训练样本集的训练样本图像和测试样本集的测试样本图像;
确定模块,用于确定所述训练样本集的中各训练样本图像及对应的标签。
进一步地,本发明还提供一种合成孔径雷达目标图像识别系统,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本图像;
通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络;
基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
进一步地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本图像;
通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络;
基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
相对于现有技术,本发明合成孔径雷达SAR目标图像识别系统、计算机可读存储介质与上述合成孔径雷达SAR目标图像识别方法的有益效果相同,在此不再赘述。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种合成孔径雷达目标图像识别方法,其特征在于,所述识别方法包括:
从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本图像;
通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络;
基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
2.根据权利要求1所述的合成孔径雷达目标图像识别方法,其特征在于,所述从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,具体包括:
从移动和静止目标获取与识别MSTAR数据集中,分别选取在第一设定俯仰角下观测的第一历史SAR图像和在第二设定俯仰角下观测的第二历史SAR图像;
通过多次随机地从第一历史SAR图像及第二历史SAR图像中截取相同尺寸的图像块,得到训练样本集的训练样本图像和测试样本集的测试样本图像;
确定所述训练样本集的中各训练样本图像及对应的标签。
3.根据权利要求2所述的合成孔径雷达目标图像识别方法,其特征在于,所述第一设定俯仰角为17°,所述第二设定俯仰角为15°。
4.根据权利要求2所述的合成孔径雷达目标图像识别方法,其特征在于,随机截图图像块的次数为5次。
5.根据权利要求1所述的合成孔径雷达目标图像识别方法,其特征在于,所述原始双流卷积神经网络包括依次连接的第一子网络、第二子网络及第三子网络;
其中,所述第一子网络由3层第一卷积层和3层池化层交替构成;
所述第二子网络分为第一流及第二流,所述第一流由第二卷积层、全局池化层和分组平均层构成,第二流由大步长卷积层、全局池化层和全连接层构成;
所述第三子网络包括分类层,所述分类层分别与所述第一流及第二流连接。
6.根据权利要求5所述的合成孔径雷达目标图像识别方法,其特征在于,所述第一卷积层的卷积核大小为5×5,步长均为1,激活函数为整流线性单元ReLU函数,所产生的特征图数目分别为16、32和64;各所述池化层均采用最大池化,池化大小为2×2,步长为2;
所述第二卷积层的卷积核为1×1,步长为1,产生的特征图数目为512;全局池化层的为:X[l]为l层中的任一特征图,nH和nW分别为特征图的高度和宽度,经过全局池化层后512个特征图变成512个对应的特征;在分组平均层中,将512个特征平均分成C组,并在C组内求平均,最终得到一个C维特征的向量,C表示类别数;所述大步长卷积层的卷积核为3×3,步长为3;
所述分类层的损失函数由所述第一流和第二流的交叉熵损失函数以及正则化项构成:
J(W)=E1(W)+E2(W)+γ||W||2;
其中,J(W)表示损失函数,E1(W)表示的第一流交叉熵损失函数,E2(W)为第二流的交叉熵损失函数,γ||W||2表示正则化项,γ表示正则化项参数,||.||2表示范数,W表示网络参数。
7.一种合成孔径雷达目标图像识别系统,其特征在于,所述识别系统包括:
获取单元,用于从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本;
训练单元,用于通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络;
识别单元,用于基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
8.根据权利要求7所述的合成孔径雷达目标图像识别系统,其特征在于,所述获取单元包括:
选取模块,用于从移动和静止目标获取与识别MSTAR数据集中,分别选取在第一设定俯仰角下观测的第一历史SAR图像和在第二设定俯仰角下观测的第二历史SAR图像;
截取模块,用于通过多次随机地从第一历史SAR图像及第二历史SAR图像中截取相同尺寸的图像块,得到训练样本集的训练样本图像和测试样本集的测试样本图像;
确定模块,用于确定所述训练样本集的中各训练样本图像及对应的标签。
9.一种合成孔径雷达目标图像识别系统,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本图像;
通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络;
基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
从移动和静止目标获取与识别MSTAR数据集中,获取训练样本集和测试样本集,所述训练样本集包括多对训练样本图像及对应的标签,所述测试样本集包括多幅待识别的测试样本图像;
通过所述训练样本集对原始双流卷积神经网络进行训练,得到训练好的双流卷积神经网络;
基于训练好的双流卷积神经网络,对各所述测试样本图像进行识别,得到对应各测试样本图像的网络预测标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335801.2A CN110991418B (zh) | 2019-12-23 | 2019-12-23 | 合成孔径雷达目标图像识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335801.2A CN110991418B (zh) | 2019-12-23 | 2019-12-23 | 合成孔径雷达目标图像识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991418A true CN110991418A (zh) | 2020-04-10 |
CN110991418B CN110991418B (zh) | 2023-04-28 |
Family
ID=70074242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911335801.2A Active CN110991418B (zh) | 2019-12-23 | 2019-12-23 | 合成孔径雷达目标图像识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991418B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070151A (zh) * | 2020-09-07 | 2020-12-11 | 北京环境特性研究所 | 一种mstar数据图像的目标分类识别方法 |
CN112116962A (zh) * | 2020-09-21 | 2020-12-22 | 河北工业大学 | 一种空气成分识别方法及系统 |
CN113312998A (zh) * | 2021-05-19 | 2021-08-27 | 中山大学·深圳 | 基于高分辨率网络的sar图像目标识别方法、装置和存储介质 |
CN113359135A (zh) * | 2021-07-07 | 2021-09-07 | 中国人民解放军空军工程大学 | 一种成像及识别模型的训练方法、应用方法、装置及介质 |
CN113435510A (zh) * | 2021-06-28 | 2021-09-24 | 西安电子科技大学 | 基于序列调整网络的逆合成孔径雷达图像分类方法 |
CN113642448A (zh) * | 2021-08-09 | 2021-11-12 | 中国人民解放军海军航空大学航空作战勤务学院 | 一种空中平台对海/地面机动目标的图像识别方法和装置 |
WO2022095584A1 (zh) * | 2020-11-06 | 2022-05-12 | 神思电子技术股份有限公司 | 一种基于流卷积的图像识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
RU2698649C1 (ru) * | 2018-01-16 | 2019-08-29 | Акционерное общество "Федеральный научно-производственный центр "Нижегородский научно-исследовательский институт радиотехники" | Способ обнаружения и классификации малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой |
-
2019
- 2019-12-23 CN CN201911335801.2A patent/CN110991418B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2698649C1 (ru) * | 2018-01-16 | 2019-08-29 | Акционерное общество "Федеральный научно-производственный центр "Нижегородский научно-исследовательский институт радиотехники" | Способ обнаружения и классификации малоразмерных объектов на изображениях, полученных радиолокационными станциями с синтезированной апертурой |
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 (2)
Title |
---|
毛家顺: ""SSD卷积神经网络在SAR图像目标检测中的应用研究"" * |
聂祥丽 等: ""极化合成孔径雷达图像相干斑抑制和分类方法综述"" * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070151A (zh) * | 2020-09-07 | 2020-12-11 | 北京环境特性研究所 | 一种mstar数据图像的目标分类识别方法 |
CN112070151B (zh) * | 2020-09-07 | 2023-12-29 | 北京环境特性研究所 | 一种mstar数据图像的目标分类识别方法 |
CN112116962A (zh) * | 2020-09-21 | 2020-12-22 | 河北工业大学 | 一种空气成分识别方法及系统 |
WO2022095584A1 (zh) * | 2020-11-06 | 2022-05-12 | 神思电子技术股份有限公司 | 一种基于流卷积的图像识别方法 |
CN113312998A (zh) * | 2021-05-19 | 2021-08-27 | 中山大学·深圳 | 基于高分辨率网络的sar图像目标识别方法、装置和存储介质 |
CN113435510A (zh) * | 2021-06-28 | 2021-09-24 | 西安电子科技大学 | 基于序列调整网络的逆合成孔径雷达图像分类方法 |
CN113435510B (zh) * | 2021-06-28 | 2024-02-09 | 西安电子科技大学 | 基于序列调整网络的逆合成孔径雷达图像分类方法 |
CN113359135A (zh) * | 2021-07-07 | 2021-09-07 | 中国人民解放军空军工程大学 | 一种成像及识别模型的训练方法、应用方法、装置及介质 |
CN113359135B (zh) * | 2021-07-07 | 2023-08-22 | 中国人民解放军空军工程大学 | 一种成像及识别模型的训练方法、应用方法、装置及介质 |
CN113642448A (zh) * | 2021-08-09 | 2021-11-12 | 中国人民解放军海军航空大学航空作战勤务学院 | 一种空中平台对海/地面机动目标的图像识别方法和装置 |
CN113642448B (zh) * | 2021-08-09 | 2024-01-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 一种空中平台对海/地面机动目标的图像识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110991418B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991418B (zh) | 合成孔径雷达目标图像识别方法及系统 | |
CN110516561B (zh) | 基于dcgan和cnn的sar图像目标识别方法 | |
CN108776779B (zh) | 基于卷积循环网络的sar序列图像目标识别方法 | |
CN110084195B (zh) | 基于卷积神经网络的遥感图像目标检测方法 | |
CN110781830B (zh) | 基于空-时联合卷积的sar序列图像分类方法 | |
CN107316064B (zh) | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN109325418A (zh) | 基于改进YOLOv3的道路交通环境下行人识别方法 | |
CN108921030B (zh) | 一种sar自动目标识别方法 | |
CN108154094B (zh) | 基于子区间划分的高光谱图像非监督波段选择方法 | |
CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
CN108960190B (zh) | 基于fcn图像序列模型的sar视频目标检测方法 | |
CN113240047B (zh) | 基于部件解析多尺度卷积神经网络的sar目标识别方法 | |
CN113420742B (zh) | 一种用于车辆重识别的全局注意力网络模型 | |
CN107563433A (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN108021890B (zh) | 一种基于plsa和bow的高分遥感影像港口检测方法 | |
CN109635789B (zh) | 基于强度比和空间结构特征提取的高分辨sar图像分类方法 | |
CN106485651A (zh) | 快速鲁棒性尺度不变的图像匹配方法 | |
CN113920436A (zh) | 一种基于改进YOLOv4算法的遥感图像海上船舶识别系统及其方法 | |
CN110516728A (zh) | 基于去噪卷积神经网络的极化sar地物分类方法 | |
CN109522831A (zh) | 一种基于微卷积神经网络的车辆实时检测方法 | |
CN108537169A (zh) | 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法 | |
CN106097290A (zh) | 基于nmf图像融合的sar图像变化检测方法 | |
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 |
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 |