CN113469083B - 基于抗锯齿卷积神经网络的sar图像目标分类方法及系统 - Google Patents
基于抗锯齿卷积神经网络的sar图像目标分类方法及系统 Download PDFInfo
- Publication number
- CN113469083B CN113469083B CN202110774969.4A CN202110774969A CN113469083B CN 113469083 B CN113469083 B CN 113469083B CN 202110774969 A CN202110774969 A CN 202110774969A CN 113469083 B CN113469083 B CN 113469083B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- training
- sar image
- antialiasing
- 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.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000011176 pooling Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 abstract description 9
- 238000013145 classification model Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000003860 storage Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102100024506 Bone morphogenetic protein 2 Human genes 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 101000762366 Homo sapiens Bone morphogenetic protein 2 Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (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)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于抗锯齿卷积神经网络的SAR图像目标分类方法及系统,在SAR图像目标分类数据集中获取训练样本和测试样本;构建基于抗锯齿卷积神经网络的目标分类模型,设定目标分类任务损失函数;将训练样本输入到构建的网络模型中进行训练,得到训练好的分类模型;将测试样本输入训练好的分类模型中,预测输出目标类别及目标的置信度分数。本发明通过引入抗锯齿最大池化层提高模型的平移不变性,可以学习更多的目标上下文信息增强特征提取能力,提高了SAR图像目标分类精度,可用SAR图像目标自动识别系统,解决现有卷积神经网络缺乏平移不变性导致的SAR图像目标分类精度低的问题。
Description
技术领域
本发明属于遥感影像技术领域,具体涉及一种基于抗锯齿卷积神经网络的SAR图像目标分类方法及系统。
背景技术
随着合成孔径雷达(Synthetic Aperture Radar,SAR)技术的蓬勃发展,人类所能够获得的SAR图像越来越多,如何对海量的SAR图像进行智能解译已称为SAR领域的研究热点,其中,SAR图像目标分类作为SAR智能解译中的重要内容引起了广泛的关注。传统的SAR图像目标分类方法,其主要思路是先提取SAR图像中目标的底层视觉信息(如:灰度特征,纹理特征,轮廓特征等)来获取目标的特征表示,接着通过逻辑回归、支撑矢量机等机器学习分类器,实现对SAR图像的目标分类。这些方法极大程度上依赖于领域先验或者专家知识,智能化水平较低的,泛化能力较弱,不能满足日益发展变化的SAR图像目标分类。
近年来,基于深度卷积神经网络的SAR图像目标分类逐渐兴起,其通过卷积神经网络来自动提取抽象特征,避免依据SAR图像信息或舰船特性进行复杂的特征工程,检测性能远远超过了基于传统特征算子的检测方法,且鲁棒性较强。然而,由于卷积神经网络中普遍存在的下采样操作,使得模型很难保持平移不变的特性,这意味着输入图像的少量平移可能会导致特征表示的巨大差异,从而导致SAR图像目标分类精度低的问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于抗锯齿卷积神经网络的SAR图像目标分类方法及系统,提高SAR图像目标分类精度。
本发明采用以下技术方案:
一种基于抗锯齿卷积神经网络的SAR图像目标分类方法,包括以下步骤:
S1、构建SAR图像目标分类数据集,将数据集划分为训练样本和测试样本;
S2、构建抗锯齿卷积神经网络模型,将Cross Entropy函数设定为抗锯齿卷积神经网络模型中的分类损失函数L;
S3、利用步骤S1划分的训练样本对步骤S2构建的抗锯齿卷积神经网络模型进行训练;
S4、将步骤S1划分的测试样本输入到步骤S3训练后的抗锯齿卷积神经网络模型中,预测输出测试样本的目标类别及目标的置信度分数,实现SAR图像目标分类。
具体的,步骤S1中,将SAR图像目标分类数据集中的20%作为训练样本,剩余的80%作为测试样本。
具体的,步骤S2具体为:
S201、以VGG16卷积神经网络作为基础模型,构建抗锯齿最大池化;
S202、将VGG16卷积神经网络中包含的所有最大池化层替换为抗锯齿最大池化层;
S203、将VGG16卷积神经网络中的三个全连接层删除,用最大平均池化层代替,其输出特征通道维度为分类数据集类别总数。
进一步的,步骤S201具体为:
S2011、构造抗锯齿模糊核;
S2012、构造卷积层,将步骤S2011得到的抗锯齿模糊核作为卷积层的卷积核;
S2013、构造步长为1的最大池化层;
S2014、将步骤S2013得到的步长为1的最大池化层与步骤S2012得到的卷积层顺次结合,得到抗锯齿最大池化层。
更进一步的,步骤S2011中,抗锯齿模糊核的大小为3x3。
具体的,步骤S2中,分类损失函数L为:
其中,pi(c)为第i个样本对应的真实标签,为第i个样本属于类别c的分类概率,classes为数据集中所包含的所有类别。
具体的,步骤S3具体为:
S301、设置训练参数;
S302、将步骤S1中获得的训练样本输入到步骤S2构建的抗锯齿卷积神经网络模型中,使用优化器优化分类损失函数L,更新权重参数,当训练轮数达到步骤S301设置的设定值时,得到训练好的抗锯齿卷积神经网络模型。
进一步的,步骤S301中,训练参数包括:初始学习率为0.001,批训练数据大小设置为64,训练轮数设为40。
进一步的,步骤S302中,采用指数下降法衰减法,优化器使用SGD。
本发明的另一技术方案是,一种基于抗锯齿卷积神经网络的SAR图像目标分类系统,包括:
划分模块,构建SAR图像目标分类数据集,将数据集划分为训练样本和测试样本;
构建模块,构建抗锯齿卷积神经网络模型,将Cross Entropy函数设定为抗锯齿卷积神经网络模型中的分类损失函数L;
训练模块,利用划分模块划分的训练样本对构建模块构建的抗锯齿卷积神经网络模型进行训练;
分类模块,将划分模块划分的测试样本输入到训练模块训练后的抗锯齿卷积神经网络模型中,预测输出测试样本的目标类别及目标的置信度分数,实现SAR图像目标分类。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于抗锯齿卷积神经网络的SAR图像目标分类方法,考虑现有卷积神经网络平移不变性的缺失,引入抗锯齿最大池化层提高模型的平移不变性,可以学习更多的目标上下文信息增强特征提取,从而提升SAR图像舰船目标检测精度;考虑现有卷积神经网络参数量过大的问题,引入全局平均池化层代替原有的全连接层,以减少网络参数量。
进一步的,由于所选用SAR图像目标分类数据集样本较少,本发明选取80%作为测试样本,可以避免由测试样本较少而导致的测试结果不具有普遍性。
进一步的,通过抗锯齿最大池化代替原始VGG16卷积神经网络中的最大池化,缓解了卷积神经网络平移性丢失的问题。同时,删除原始VGG16卷积神经网络中的三个全连接层,改用最大平均池化层,可以有效的降低网络参数。
进一步的,VGG16网络只是一个基础模型,用来证明本发明的有效性,通过步骤S201实现了抗锯齿最大池化,相比于传统的最大池化层,其可以解决卷积神经网络平移性丢失的问题。
进一步的,将抗锯齿模糊核的大小设置为3x3,这样做的主要目的是在保证具有较好感知野的条件下,可以在有效的降低网络参数。
进一步的,本发明是面向多类别SAR图像目标分类方法的研究,在多分类问题中一般都选用选取Cross Entropy来作为损失函数,因此,本发明也选用Cross Entropy来作为抗锯齿卷积神经网络模型的损失函数。
进一步的,超参数的选择可以更好的辅助网络训练,加速网络收敛,进而得到更好的网络模型参数。
进一步的,在卷积神经网络训练过程中,批训练数据大小太小会引入过多的噪声,批训练数据大小太大可能导致网络泛化性能较差。本发明在显存占用最大的条件下,选取批训练数据大小为64。训练轮数为40轮,是为了避免训练时间过长而导致过拟合问题。学习率太大会导致模型梯度爆炸,模型无法训练,学习率太小会导致模型无法收敛,因此,在多次实验中选择了0.001作为初始学习率。初始学习率,批训练数据大小和训练轮数均为超参数,都是通过多次实验选取的较优值。
进一步的,在卷积神经网络的参数更新过程中,学习率不能太大也不能太小,太大可能会导致参数在最优值两侧来回移动,太小会大大降低优化速度,为了解决学习率的问题,本发明采用了一种灵活的学习率指数衰减法,来进行优化。SGD优化器是基础的优化器,本发明并未在优化器的选择上进行过多考虑。
综上所述,本发明考虑现有卷积神经网络平移不变性的缺失,引入抗锯齿最大池化层提高模型的平移不变性,可以学习更多的目标上下文信息增强特征提取,从而提升SAR图像舰船目标检测精度;考虑现有卷积神经网络参数量过大的问题,引入全局平均池化层代替原有的全连接层,以减少网络参数量。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的实现流程图;
图2为仿真使用的SAR图像目标分类样本,样本类别为D7(推土机)。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于抗锯齿卷积神经网络的SAR图像目标分类方法,在SAR图像目标分类数据集中获取训练样本和测试样本;构建基于抗锯齿卷积神经网络的目标分类模型,设定目标分类任务损失函数;将训练样本输入到构建的网络模型中进行训练,得到训练好的分类模型;将测试样本输入训练好的分类模型中,预测输出目标类别及目标的置信度分数。本发明通过引入抗锯齿最大池化层提高模型的平移不变性,可以学习更多的目标上下文信息增强特征提取能力,提高了SAR图像目标分类精度,可用SAR图像目标自动识别系统,解决现有卷积神经网络缺乏平移不变性导致的SAR图像目标分类精度低的问题。
请参阅图1,本发明一种基于抗锯齿卷积神经网络的SAR图像目标分类方法,在VGG16网络基础上引入抗锯齿池化层,构建基于抗锯齿卷积的SAR图像目标分类模型;首先将划分好的训练集中的样本以批处理的方式送入到抗锯齿卷积神经网络中;然后依次交替通过多个卷积层,激活层,抗锯齿池化层等,获得输出特征图;随后,将全局池化层作用在输出特征图上,以得到输出特征向量;最后将输出的特征向量,通过目标分类任务学习实现目标类别确定。具体步骤如下:
S1、构建SAR图像目标分类训练样本和测试样本,将SAR图像目标分类数据集中的20%作为训练样本,剩余的80%作为测试样本;
获取公开的SAR图像目标分类数据集MSTRA,数据集的分辨率为0.3m×0.3m,工作在X波段,所用的极化方式为HH极化方式。
数据集类别包括10类地面典型目标(2S1(自行榴弹炮)、BMP2(步兵战车)、BRDM2(装甲侦察车)、BTR60(装甲运输车)、BTR70(装甲运输车二型)、D7(推土机)、T62(坦克一型)、ZIL131(货运卡车)、ZSU234(自行高炮)、T72(坦克二型)),共包含1473张样本图像。本实例选取其中的20%训练数据(295张样本图像)作为训练集,剩余的80%(1178张样本图像)测试集。
S2、构建抗锯齿卷积神经网络模型,将现有Cross Entropy函数设定为抗锯齿卷积神经网络模型中的分类损失函数L;
S201、以VGG16卷积神经网络作为基础模型;
S2011、构造3x3的抗锯齿模糊核;
S2012、构造卷积层,其卷积核为步骤S2011得到的抗锯齿模糊核;
S2013、构造步长为1的最大池化层;
S2014、将步骤S2013得到的步长为1的最大池化层与步骤S2012得到的卷积层顺次结合,得到抗锯齿最大池化层。
S202、构建抗锯齿最大池化;
S203、将VGG16卷积神经网络中包含的所有最大池化层替换为抗锯齿最大池化层;
S204、将VGG16卷积神经网络中的三个全连接层删除,用最大平均池化层代替,其输出特征通道维度为分类数据集类别总数。
抗锯齿卷积神经网络模型中分类损失函数L为:
其中,pi(c)为第i个样本对应的真实标签,为第i个样本属于类别c的分类概率。
S3、训练步骤S2构建的抗锯齿卷积神经网络模型;
S301、设置训练参数;
设初始学习率为0.001,并采用指数下降法衰减法,优化器使用SGD,批训练数据大小设置为64,训练轮数设为40;
S302、将步骤S1中获得的训练样本输入到步骤S2构建的抗锯齿卷积神经网络模型中,使用优化器SGD优化步骤S2中的分类损失函数L,更新权重参数,当训练轮数达到40时,得到训练好的抗锯齿卷积神经网络模型。
S4、将测试样本输入到包含权重参数的抗锯齿卷积神经网络模型中,预测输出测试样本的目标类别及目标的置信度分数。
本发明再一个实施例中,提供一种基于抗锯齿卷积神经网络的SAR图像目标分类系统,该系统能够用于实现上述基于抗锯齿卷积神经网络的SAR图像目标分类方法,具体的,该基于抗锯齿卷积神经网络的SAR图像目标分类系统包括划分模块、构建模块、训练模块以及分类模块。
其中,划分模块,构建SAR图像目标分类数据集,将数据集划分为训练样本和测试样本;
构建模块,构建抗锯齿卷积神经网络模型,将Cross Entropy函数设定为抗锯齿卷积神经网络模型中的分类损失函数L;
训练模块,利用划分模块划分的训练样本对构建模块构建的抗锯齿卷积神经网络模型进行训练;
分类模块,将划分模块划分的测试样本输入到训练模块训练后的抗锯齿卷积神经网络模型中,预测输出测试样本的目标类别及目标的置信度分数,实现SAR图像目标分类。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于基于抗锯齿卷积神经网络的SAR图像目标分类方法的操作,包括:
构建SAR图像目标分类数据集,将数据集划分为训练样本和测试样本;构建抗锯齿卷积神经网络模型,将Cross Entropy函数设定为抗锯齿卷积神经网络模型中的分类损失函数L;利用训练样本对抗锯齿卷积神经网络模型进行训练;将测试样本输入到训练后的抗锯齿卷积神经网络模型中,预测输出测试样本的目标类别及目标的置信度分数,实现SAR图像目标分类。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关基于抗锯齿卷积神经网络的SAR图像目标分类方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:
构建SAR图像目标分类数据集,将数据集划分为训练样本和测试样本;构建抗锯齿卷积神经网络模型,将Cross Entropy函数设定为抗锯齿卷积神经网络模型中的分类损失函数L;利用训练样本对抗锯齿卷积神经网络模型进行训练;将测试样本输入到训练后的抗锯齿卷积神经网络模型中,预测输出测试样本的目标类别及目标的置信度分数,实现SAR图像目标分类。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的效果可通过以下仿真实验进一步说明
仿真条件
仿真基于公开且被广泛应用于SAR图像目标分类数据集MSTRA,并对抗锯齿卷积神经网络模型进行训练和测试,所用的基准方法为VGG16卷积神经网络模型。
仿真所用的处理器为 Xeon(R)CPU E5-2630v4@2.20GHz×40,内存为64.00GB,GPU为8G的GeForce GTX1080,仿真平台为Ubuntu16.04操作系统,使用Pytorch深度学习框架,采用Python语言实现。
仿真实验结果对比及分析
为验证本发明的有效性,使用本发明和基准模型(VGG16卷积神经网络模型)在MSTAR测试数据集上的舰船目标进行检测仿真,对其检测的评价指标数值结果作对比,如表1所示。
表1本发明和基准模型的评价指标数值结果对比
根据表1本发明和基准模型的评价指标数值结果对比中,可以看出本发明的总体分类精度由96.26%提高到98.89%。
请参阅图2,为本发明说使用的SAR目标分类数据集样本的可视化,并不是实验结果。本发明的优点可以从表1看出来,相比于基准模型,本发明可以取得更好的分类精度。
综上所述,本发明一种基于抗锯齿卷积神经网络的SAR图像目标分类方法及系统,在现有的VGG16卷积神经网络模型的基础上,引入抗锯齿最大池化层,可以学习更多的目标上下文信息增强特征提取能力,提高模型的平移不变性,从而提升SAR图像目标分类精度。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (6)
1.一种基于抗锯齿卷积神经网络的SAR图像目标分类方法,其特征在于,包括以下步骤:
S1、构建SAR图像目标分类数据集,将数据集划分为训练样本和测试样本;
S2、构建抗锯齿卷积神经网络模型,将Cross Entropy函数设定为抗锯齿卷积神经网络模型中的分类损失函数L,步骤S2具体为:
S201、以VGG16卷积神经网络作为基础模型,构建抗锯齿最大池化,具体为:
S2011、构造抗锯齿模糊核;
S2012、构造卷积层,将步骤S2011得到的抗锯齿模糊核作为卷积层的卷积核;
S2013、构造步长为1的最大池化层;
S2014、将步骤S2013得到的步长为1的最大池化层与步骤S2012得到的卷积层顺次结合,得到抗锯齿最大池化层;
S202、将VGG16卷积神经网络中包含的所有最大池化层替换为抗锯齿最大池化层;
S203、将VGG16卷积神经网络中的三个全连接层删除,用最大平均池化层代替,其输出特征通道维度为分类数据集类别总数;
分类损失函数L为:
其中,pi(c)为第i个样本对应的真实标签,为第i个样本属于类别c的分类概率,classes为数据集中所包含的所有类别;
S3、利用步骤S1划分的训练样本对步骤S2构建的抗锯齿卷积神经网络模型进行训练,具体为:
S301、设置训练参数;
S302、将步骤S1中获得的训练样本输入到步骤S2构建的抗锯齿卷积神经网络模型中,使用优化器优化分类损失函数L,更新权重参数,当训练轮数达到步骤S301设置的设定值时,得到训练好的抗锯齿卷积神经网络模型;
S4、将步骤S1划分的测试样本输入到步骤S3训练后的抗锯齿卷积神经网络模型中,预测输出测试样本的目标类别及目标的置信度分数,实现SAR图像目标分类。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,将SAR图像目标分类数据集中的20%作为训练样本,剩余的80%作为测试样本。
3.根据权利要求1所述的方法,其特征在于,步骤S2011中,抗锯齿模糊核的大小为3x3。
4.根据权利要求1所述的方法,其特征在于,步骤S301中,训练参数包括:初始学习率为0.001,批训练数据大小设置为64,训练轮数设为40。
5.根据权利要求1所述的方法,其特征在于,步骤S302中,采用指数下降法衰减法,优化器使用SGD。
6.一种基于抗锯齿卷积神经网络的SAR图像目标分类系统,其特征在于,基于权利要求1所述的方法,包括:
划分模块,构建SAR图像目标分类数据集,将数据集划分为训练样本和测试样本;
构建模块,构建抗锯齿卷积神经网络模型,将Cross Entropy函数设定为抗锯齿卷积神经网络模型中的分类损失函数L;
训练模块,利用划分模块划分的训练样本对构建模块构建的抗锯齿卷积神经网络模型进行训练;
分类模块,将划分模块划分的测试样本输入到训练模块训练后的抗锯齿卷积神经网络模型中,预测输出测试样本的目标类别及目标的置信度分数,实现SAR图像目标分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774969.4A CN113469083B (zh) | 2021-07-08 | 2021-07-08 | 基于抗锯齿卷积神经网络的sar图像目标分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774969.4A CN113469083B (zh) | 2021-07-08 | 2021-07-08 | 基于抗锯齿卷积神经网络的sar图像目标分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469083A CN113469083A (zh) | 2021-10-01 |
CN113469083B true CN113469083B (zh) | 2024-05-31 |
Family
ID=77879259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110774969.4A Active CN113469083B (zh) | 2021-07-08 | 2021-07-08 | 基于抗锯齿卷积神经网络的sar图像目标分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469083B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0534698A2 (en) * | 1991-09-25 | 1993-03-31 | International Business Machines Corporation | Method and system for performing anti-aliasing in a visual image |
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN108830242A (zh) * | 2018-06-22 | 2018-11-16 | 北京航空航天大学 | 基于卷积神经网络的sar图像海洋目标分类检测方法 |
CN110009095A (zh) * | 2019-03-04 | 2019-07-12 | 东南大学 | 基于深度特征压缩卷积网络的道路行驶区域高效分割方法 |
CN110097027A (zh) * | 2019-05-13 | 2019-08-06 | 安徽工业大学 | 基于卷积神经网络的煤岩壳质组显微图像分类方法及系统 |
CN111126570A (zh) * | 2019-12-24 | 2020-05-08 | 江西理工大学 | 预训练复数全卷积神经网络的sar目标分类方法 |
US10719706B1 (en) * | 2018-06-19 | 2020-07-21 | Architecture Technology Corporation | Systems and methods for nested autoencoding of radar for neural image analysis |
KR102141163B1 (ko) * | 2020-05-06 | 2020-08-04 | 국방과학연구소 | Sar 영상 생성을 위한 뉴럴 네크워크 학습 방법 및 장치. |
CN111815529A (zh) * | 2020-06-30 | 2020-10-23 | 上海电力大学 | 一种基于模型融合和数据增强的低质图像分类增强方法 |
WO2020228405A1 (zh) * | 2019-05-15 | 2020-11-19 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
CN112580479A (zh) * | 2020-12-13 | 2021-03-30 | 成都易书桥科技有限公司 | 一种基于空洞卷积神经网络的地磁式室内定位系统 |
-
2021
- 2021-07-08 CN CN202110774969.4A patent/CN113469083B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0534698A2 (en) * | 1991-09-25 | 1993-03-31 | International Business Machines Corporation | Method and system for performing anti-aliasing in a visual image |
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
US10719706B1 (en) * | 2018-06-19 | 2020-07-21 | Architecture Technology Corporation | Systems and methods for nested autoencoding of radar for neural image analysis |
CN108830242A (zh) * | 2018-06-22 | 2018-11-16 | 北京航空航天大学 | 基于卷积神经网络的sar图像海洋目标分类检测方法 |
CN110009095A (zh) * | 2019-03-04 | 2019-07-12 | 东南大学 | 基于深度特征压缩卷积网络的道路行驶区域高效分割方法 |
CN110097027A (zh) * | 2019-05-13 | 2019-08-06 | 安徽工业大学 | 基于卷积神经网络的煤岩壳质组显微图像分类方法及系统 |
WO2020228405A1 (zh) * | 2019-05-15 | 2020-11-19 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
CN111126570A (zh) * | 2019-12-24 | 2020-05-08 | 江西理工大学 | 预训练复数全卷积神经网络的sar目标分类方法 |
KR102141163B1 (ko) * | 2020-05-06 | 2020-08-04 | 국방과학연구소 | Sar 영상 생성을 위한 뉴럴 네크워크 학습 방법 및 장치. |
CN111815529A (zh) * | 2020-06-30 | 2020-10-23 | 上海电力大学 | 一种基于模型融合和数据增强的低质图像分类增强方法 |
CN112580479A (zh) * | 2020-12-13 | 2021-03-30 | 成都易书桥科技有限公司 | 一种基于空洞卷积神经网络的地磁式室内定位系统 |
Non-Patent Citations (4)
Title |
---|
卷积神经网络和深度置信网络在SAR影像冰水分类的性能评估;黄冬梅 等;中国图象图形学报;20181116(第11期);全文 * |
基于卷积神经网络改进的图像自动分割方法;温佩芝 等;计算机应用研究;20170901(第09期);全文 * |
基于卷积神经网络的图像超分辨率重建研究;卢明建;中国优秀硕士学位论文全文数据库 信息科技辑;20210115;全文 * |
基于卷积神经网络迁移学习的SAR图像目标分类;刘晨 等;现代雷达;20180315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113469083A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175671B (zh) | 神经网络的构建方法、图像处理方法及装置 | |
CN112101190B (zh) | 一种遥感图像分类方法、存储介质及计算设备 | |
CN113469073B (zh) | 一种基于轻量级深度学习的sar图像舰船检测方法及系统 | |
CN111882040B (zh) | 基于通道数量搜索的卷积神经网络压缩方法 | |
CN113469088B (zh) | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 | |
CN112529146B (zh) | 神经网络模型训练的方法和装置 | |
CN111507993A (zh) | 一种基于生成对抗网络的图像分割方法、装置及存储介质 | |
CN114255361A (zh) | 神经网络模型的训练方法、图像处理方法及装置 | |
CN111882031A (zh) | 一种神经网络蒸馏方法及装置 | |
CN113326930A (zh) | 数据处理方法、神经网络的训练方法及相关装置、设备 | |
CN111767860A (zh) | 一种通过卷积神经网络实现图像识别的方法及终端 | |
CN112308825B (zh) | 一种基于SqueezeNet的农作物叶片病害识别方法 | |
CN113486898B (zh) | 一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统 | |
CN111178439A (zh) | 基于卷积神经网络及微调的sar图像分类方法 | |
CN115601692A (zh) | 数据处理方法、神经网络模型的训练方法及装置 | |
CN110647977B (zh) | 一种用于星上对舰船目标检测的Tiny-YOLO网络的优化方法 | |
CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
CN113822434A (zh) | 用于知识蒸馏的模型选择学习 | |
CN113436125B (zh) | 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备 | |
CN113469083B (zh) | 基于抗锯齿卷积神经网络的sar图像目标分类方法及系统 | |
CN110751061B (zh) | 基于sar网络的sar图像识别方法、装置、设备和存储介质 | |
CN116228753B (zh) | 肿瘤预后评估方法、装置、计算机设备和存储介质 | |
CN116129312A (zh) | 一种基于目标检测模型和DeepSort的坦克装甲车流量检测方法 | |
CN114742221A (zh) | 深度神经网络模型剪枝方法、系统、设备及介质 | |
CN113963178A (zh) | 地空背景下红外弱小目标检测方法、装置、设备及介质 |
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 |