CN113627356B - 一种海面舰船智能识别方法 - Google Patents
一种海面舰船智能识别方法 Download PDFInfo
- Publication number
- CN113627356B CN113627356B CN202110930328.3A CN202110930328A CN113627356B CN 113627356 B CN113627356 B CN 113627356B CN 202110930328 A CN202110930328 A CN 202110930328A CN 113627356 B CN113627356 B CN 113627356B
- Authority
- CN
- China
- Prior art keywords
- ship
- grbm
- dbn
- model
- identified
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 56
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000013095 identification testing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 33
- 238000003384 imaging method Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/24—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
一种海面舰船智能识别方法,包含以下步骤:S1、获取待识别舰船的多源图像样本并进行规范化预处理;S2、构建并训练多源图像舰船特征学习的DBN模型,并将其标记为DBNopt和DBNSAR;S3、训练多源图像舰船特征融合学习的GRBM模型,并将其标记为GRBMFus;S4、训练基于多源特征向量的ELM分类器,并将其标记为ELMFus;S5、利用训练好的DBNopt、DBNSAR、GRBMFus模型和ELMFus分类器,进行海面舰船智能识别测试。本发明采用深度学习方法,实现了具有全天时、全天候成像观测优势的SAR图像与具有分辨率较高、目标细节轮廓清晰、直观易于理解优势的可见光图像的多源异质图像信息融合与舰船目标分类识别,具有识别率高、自动化、识别模型轻量化且扩展应用灵活的优点。
Description
技术领域
本发明涉及图像处理与目标识别领域,具体是指一种海面舰船识别领域。
背景技术
舰船目标识别是海面目标监视系统的重要组成部分,在渔业管理、海运交通监管、海上搜救、海上目标侦察及精确制导等军民领域具有重要应用价值。光学成像、合成孔径雷达(SAR)成像是海洋目标监测的两大重要手段,但是这两种传感器成像机理不同,成像结果亦各具优点和一定的局限性:光学图像分辨率较高、目标细节轮廓清晰、直观易于理解,但受光照、云雾等天气条件影响大;SAR图像表征目标的散射分布特性,可全天时、全天候观测获取,但对观测姿态较敏感且包含相干斑干扰。单一传感器数据仅反映了目标某些方面的特征、不够全面,容易造成目标判读解译不准确,综合利用光学与SAR多源图像信息是提升海面舰船识别精度的重要途径。
发明内容
为了全天时、全天候观测和高精度地识别海面舰船身份类型,可以采用深度学习方法抽象融合可见光、SAR图像中的舰船信息,提高目标识别精度。
为实现上述目的,本发明提出一种海面舰船智能识别方法,包含以下步骤:
S1、获取待识别舰船的多源图像样本并进行规范化预处理;
S2、构建并训练多源图像舰船特征学习的DBN(深度置信网络)模型,并将其标记为DBNopt和DBNSAR;
S3、训练多源图像舰船特征融合学习的GRBM(高斯分布受限玻尔兹曼机)模型,并将其标记为GRBMFus;
S4、训练基于多源特征向量的ELM(超限学习机)分类器,并将其标记为ELMFus;
S5、利用训练好的DBNopt、DBNSAR、GRBMFus模型和ELMFus分类器,进行海面舰船智能识别测试。
其中,所述的步骤S1中,进一步的包含以下步骤:
S11、获取待识别舰船可见光图像样本并进行规范化预处理;
S12、获取待识别舰船SAR(合成孔径雷达)图像样本并进行规范化预处理。
其中,所述的步骤S11中,进一步的包含以下步骤:
S111、基于航空遥感数据平台,人工采集多种类型的待识别舰船的可见光图像样本,每个图像样本是以所述待识别舰船为中心,尺寸为N×N像素的可见光图像切片;
S112、对每个所述可见光图像样本进行非线性归一化,并对归一化后的图像进行舰船类型标记以及编号,从而形成规范化待识别舰船可见光图像样本库;
S113、从所述规范化待识别舰船可见光图像样本库中随机抽取60%~80%比例的样本作为待识别舰船的可见光图像训练样本集,将余下的样本作为待识别舰船的可见光图像测试样本集。
其中,所述的步骤S12中,进一步的包含以下步骤:
S121、基于SAR遥感数据平台或电磁仿真软件,获取多种类型的待识别舰船的SAR图像样本,每个图像样本是以所述待识别舰船为中心,尺寸为N×N像素的SAR图像切片,且观测方位与所述可见光图像切片相近;
S122、将每个所述SAR图像进行归一化,并对归一化后的图像进行舰船类型标记以及编号,从而形成规范化待识别舰船SAR图像样本库,按照观测方位的相似性,所述SAR图像样本库中样本编号与对应的可见光图像样本编号一致;
S123、从所述规范化待识别舰船SAR图像样本库中,抽取与步骤S113中抽取的样本编号相同的样本作为待识别舰船的SAR图像训练样本集,将余下的样本作为待识别舰船的SAR图像测试样本集。
其中,所述的步骤S2中,进一步的包含以下步骤:
S21、构建并训练可见光图像舰船特征学习的DBN模型;
S22、构建并训练SAR图像舰船特征学习的DBN模型。
其中,所述的步骤S21中,进一步的包含以下步骤:
S211、构建一个由5层GRBM(高斯分布受限玻尔兹曼机)组成的DBN模型;
S212、将所述每个待识别舰船的可见光图像训练样本扁平化为1维向量,输入到S211中所述的5层GRBM组成的DBN模型中进行训练,保存此时所述DBN模型中各层GRBM的参数和各层GRBM的输出向量;
S213、将所述第5层GRBM的输出向量输入到设置好参数的Softmax分类器中,得到分类结果;
S214、基于所述Softmax的分类结果,利用反向传播方法对所述5层GRBM组成的DBN模型中的各层GRBM的参数进行调整;
S215、重复步骤S212~S214进行迭代,直至所述5层GRBM组成的DBN模型收敛,得到训练好的可见光图像舰船特征学习的DBN模型,标记为DBNopt,固化保存DBNopt中的5层GRBM的参数。
其中,所述的步骤S22中,进一步的包含以下步骤:
S221、构建一个由3层GRBM组成的DBN模型;
S222、将所述每个待识别舰船的SAR图像训练样本扁平化为1维向量,输入到所述3层GRBM组成的DBN模型中进行训练,保存此时所述DBN模型中的3层GRBM的参数和3层GRBM的输出向量;
S223、将所述第3层GRBM的输出向量输入到设置好参数的Softmax分类器中,得到分类结果;
S224、基于所述Softmax的分类结果,利用反向传播方法对所述3层GRBM组成的DBN模型中的各层GRBM的参数进行调整;
S225、重复步骤S222~S224进行迭代,直至所述3层GRBM组成的DBN模型收敛,得到训练好的SAR图像舰船特征学习的DBN模型,标记为DBNSAR,固化保存DBNSAR中的3层GRBM的参数。
其中,所述的步骤S3中,进一步的包含以下步骤:
S31、将每个待识别舰船的可见光图像训练样本扁平化后的1维向量,输入到所述DBNopt模型中,将其中第5层GRBM的输出向量标记为其中k为样本编号;
S32、将每个待识别舰船的SAR图像训练样本扁平化后的1维向量,输入到所述DBNSAR模型中,将其中第3层GRBM的输出向量标记为其中k为样本编号;S33、将所述和/>并行叠加,形成多源图像训练样本的多源特征向量/>
S34、构建一层GRBM作为多源特征融合学习模型,将所述Xk输入到所述一层GRBM中进行训练,保存此时该一层GRBM的参数,并将其输出向量输入到Softmax分类器中,基于分类结果,利用反向传播方法对所述一层GRBM的参数进行调整,利用各个多源特征向量Xk进行迭代,直至所述一层GRBM收敛,得到训练好的多源特征融合学习模型,标记为GRBMFus,固化保存所述GRBMFus参数。
其中,所述步骤S4中具体包括:将所述多源特征向量Xk输入到所述GRBMFus中,将其输出的多源融合特征向量输入到ELM分类器中,对所述ELM分类器进行训练,利用各个多源融合特征向量进行迭代,得到训练好的ELM分类器,标记为ELMFus,固化保存所述ELMFus的参数。
其中,所述步骤S5中具体包括:对于每一组待识别舰船的多源图像测试样本,即包含一幅待识别舰船的可见光图像测试样本和一幅待识别舰船的SAR图像测试样本,分别将可见光图像测试样本和SAR图像测试样本均扁平化为1维向量;将可见光图像测试样本的1维向量输入所述DBNopt模型中,得到输出向量以及将SAR图像测试样本的1维向量输入所述DBNSAR模型中,得到输出向量/>其中m表示测试样本编号;将所述输出向量/>和/>并行叠加,得到多源特征向量Xm;将该多源特征向量Xm输入所述GRBMFus模型中,得到多源特征融合向量;将该多源特征融合向量输入所述ELMFus分类器中,对舰船类型进行判定;对每一组待识别舰船的多源图像测试样本进行上述识别过程,直至完成所有测试样本的舰船类型识别。
综上所述,本发明提出的一种海面舰船智能识别方法,在构建典型舰船可见光、SAR多源图像样本库的基础上,采用轻量化的深度置信网络(DBN)分别从可见光、SAR图像中学习提取舰船特征;采用1层高斯分布受限玻尔兹曼机(GRBM)实现舰船多源特征抽象融合,去冗存精,形成更具辨识力的舰船多源特征联合表示;最后,利用小样本条件下具有良好泛化能力且训练速度快的超限学习机(ELM)作为分类器,实现舰船类型识别。该发明通过基于深度学习的多源异质图像信息融合,提高舰船分类识别精度,具有识别率高、自动化、识别模型轻量化且扩展应用灵活的优点。
附图说明
图1为一种海面舰船智能识别方法的流程图。
具体实施方式
以下结合附图和一个较佳的具体实施例对本发明提出的一种海面舰船智能识别方法作进一步详细说明。特别指出的是,以下实施例仅用于说明本发明,但不对本发明的范围进行限定。同样的,以下实施例仅为本发明的部分实施例而非全部实施例,本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
如图1所示,一种海面舰船智能识别方法包括以下步骤:
S1、获取待识别舰船多源图像样本;
S11、获取待识别舰船可见光图像样本并进行规范化预处理;
S111、基于GoogleEarth航空遥感数据平台人工采集驱逐舰、货船、油轮3种典型军民舰船可见光图像样本,每个图像样本是以舰船为中心,尺寸为64×64像素的可见光图像切片,每个目标分别采集400幅样本。
S112、对所述每个可见光图像样本按照SK=AK-μ/σ2进行归一化,并对其进行舰船类型标记,从而形成规范化待识别舰船可见光图像样本库,其中:Ak表示第k个可见光图像样本;Sk为对Ak归一化后的可见光图像样本;μ为Ak所有像素值的均值,σ2为Ak所有像素值的方差。将所述规范化待识别舰船可见光图像样本库中的图像样本进行编号。
S113、从所述规范化待识别舰船可见光图像样本库中随机抽取80%比例的图像样本作为可见光训练样本集,将余下20%比例的图像样本作为可见光测试样本集。
S12、获取待识别舰船SAR图像样本并进行规范化预处理;
S121、基于驱逐舰、货船、油轮的三维几何模型、采用高频电磁仿真软件模拟与所述可见光图像样本观测方位相近的待识别舰船SAR(合成孔径雷达)图像样本,每个图像样本是以舰船为中心,尺寸为64×64像素的复数值SAR图像切片,每个目标分别采集400幅样本。
S122、把每个复数值SAR图像转化成对数形式,进而按照Sk′=Ak′-μ′/σ′2进行归一化,并对其进行舰船类型标记,从而形成规范化待识别舰船SAR图像样本库,其中:Ak′表示第k个SAR图像样本;Sk′为对Ak′归一化后的SAR图像样本;μ′为Ak′所有像素值的均值,σ′2为Ak′所有像素值的方差。将待识别舰船SAR图像样本库中的图像样本进行编号,按照相同的舰船类型和相似的观测方位,将此样本库中样本编号与对应的待识别舰船可见光图像样本的编号一致。
S123、从待识别舰船SAR图像样本库中,抽取与可见光图像训练样本编号相同的样本作为SAR训练样本集,将余下的样本作为SAR测试样本集。
S2、构建并训练多源图像舰船特征学习的DBN(深度置信网络)模型;
S21、构建并训练可见光图像舰船特征学习的DBN模型;
S211、构建一个由5层高斯分布受限玻尔兹曼机(GRBM)组成的DBN模型,即包括GRBMopt-1、GRBMopt-2、GRBMopt-3、GRBMopt-4、GRBMopt-5,从第1层到第5层的隐藏层节点数依次设置为1500、800、500、100、50,设置所述5层GRBM组成的DBN模型的学习率为0.01,最大迭代次数为300;
S212、将每个待识别舰船可见光图像训练样本扁平化为1维、向量长度为64×64的向量,输入到该5层GRBM组成的DBN模型中进行训练,即所述1维向量输入GRBMopt-1,得到输出向量,该输出向量又输入GRBMopt-2,直至向量由GRBMopt-5输出,保存此时该5层GRBM组成的DBN模型中的各层GRBM的参数和各层GRBM的输出向量;
S213、将所述GRBMopt-5的输出向量输入到Softmax分类器,得到分类结果,所述Softmax分类器的输入节点数为50、输出节点数为3;
S214、基于所述Softmax分类器的分类结果,利用反向传播方法对DBN模型中的GRBMopt-1、GRBMopt-2、GRBMopt-3、GRBMopt-4、GRBMopt-5的参数进行调整;
S215、反复执行上述S212-S214,利用各个待识别舰船可见光图像训练样本进行迭代,直至所述5层GRBM组成的DBN模型收敛,可得到训练好的可见光图像舰船特征学习的DBN模型,将该模型标记为DBNopt,固化保存该DBNopt模型中各层GRBM的参数,即固化保存GRBMopt-1、GRBMopt-2、GRBMopt-3、GRBMopt-4、GRBMopt-5中的参数。
S22、构建并训练SAR图像舰船特征学习的DBN模型;
S221、构建一个由3层GRBM组成的DBN模型,即包括GRBMSAR-1、GRBMSAR-2、GRBMSAR-3,从第1层到第3层的隐藏层节点数依次设置为500、200、50,设置所述三层GRBM组成的DBN模型的学习率为0.01,最大迭代次数为300;
S222、将每个待识别舰船SAR图像训练样本扁平化为1维、向量长度为64×64的向量,输入到所述3层GRBM组成的DBN模型中进行训练,即所述1维向量输入GRBMSAR-1,得到一输出向量,该输出向量又输入GRBMSAR-2,直至向量由GRBMSAR-3输出,保存此时该3层GRBM组成的DBN模型中各层GRBM的参数和各层GRBM的输出向量;
S223、将Softmax分类器的输入节点设为50,输出节点设为3,将所述GRBMSAR-3的输出向量输入到Softmax分类器,得到分类结果;
S224基于所述Softmax的分类结果,利用反向传播方法对所述3层GRBM组成的DBN模型中的GRBMSAR-1、GRBMSAR-2、GRBMSAR-3的参数进行调整;
S225、反复执行上述S222-S224,利用各个待识别舰船SAR图像训练样本进行迭代,直至所述3层GRBM组成的DBN模型收敛,此时得到训练好的SAR图像舰船特征学习的DBN模型,标记为DBNSAR,固化保存该DBNSAR模型中GRBMSAR-1、GRBMSAR-2、GRBMSAR-3的参数。
S3、训练多源图像舰船特征融合学习的GRBM;
S31、将每个待识别舰船可见光图像训练样本扁平化为1维、向量长度为64×64的向量,将其输入到S21中得到的DBNopt模型中,将GRBMopt-5的输出向量标记为其中k表示训练样本编号。
S32、将每个待识别舰船SAR图像训练样本扁平化为1维、向量长度为64×64的向量,将其输入到S22中得到的DBNSAR模型中,将GRBMSAR-3的输出向量标记为其中k表示训练样本编号。
S33、将和/>按照
并行叠加,形成一个1维、长度为100的多源特征向量Xk。
S34、构建一层GRBM作为多源特征融合学习模型,其包含65个隐藏节点,将其学习率设为0.01,最大迭代次数设为500;将所述多源特征向量Xk输入该一层GRBM中进行训练,保存该一层GRBM的参数,并将其输出向量输入到Softmax分类器中,将Softmax分类器的输入节点设为65,输出节点设为3;基于该Softmax的分类结果,利用反向传播方法对所述一层GRBM的参数进行调整;反复执行S34,利用各个多源特征向量Xk进行迭代,直至所述GRBM收敛,得到训练好的多源特征融合学习模型,标记为GRBMFus,固化保存该GRBMFus的参数。S4、训练基于多源融合特征向量的ELM(超限学习机)分类器;
将所述多源特征向量Xk,输入到S3中训练好的GRBMFus中,输出得到多源融合特征向量,将该多源融合特征向量输入到ELM分类器中,所述ELM分类器的输入节点数为65、输出节点数为3,将其最大迭代次数设置为300,对ELM分类器进行训练,利用各个多源特征向量Xk进行迭代,直至所述ELM分类器收敛,得到训练好的ELM分类器,标记为ELMFus,固化保存该ELMFus分类器的参数。S5、利用训练好的模型,进行海面舰船智能识别测试;
将每组包含观测方位相近的一幅待识别舰船可见光图像测试样本和一幅待识别舰船SAR图像测试样本的80组多源图像测试样本,分别扁平化为1维、向量长度为64×64的向量,依次输入到S2~S4中训练好的多源图像融合舰船识别模型中,具体为:待识别舰船可见光图像测试样本的向量输入至所述DBNopt模型中,得到输出向量待识别舰船SAR图像测试样本的向量输入至所述DBNSAR模型中,得到输出向量/>其中m表示测试样本编号;将所述/>和/>并行叠加,得到多源特征向量/>将所述多源特征向量Xm输入GRBMFus中,得到长度为65的多源特征融合向量;将所述多源特征融合向量输入到ELMFus分类器中,对舰船类型进行判定;重复上述过程,直至完成所有80组测试样本的舰船类型识别。
以上所述仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权力要求的保护范围为准。
Claims (1)
1.一种海面舰船智能识别方法,其特征在于,包含以下步骤:
S1、获取待识别舰船的多源图像样本并进行规范化预处理;
S2、构建并训练多源图像舰船特征学习的DBN模型,并将其标记为DBNopt和DBNSAR;
S3、训练多源图像舰船特征融合学习的GRBM模型,并将其标记为GRBMFus;
S4、训练基于多源特征向量的ELM分类器,并将其标记为ELMFus;
S5、利用训练好的DBNopt、DBNSAR、GRBMFus模型和ELMFus分类器,进行海面舰船智能识别测试;
所述的步骤S1中,进一步的包含以下步骤:
S11、获取待识别舰船可见光图像样本并进行规范化预处理;
S12、获取待识别舰船SAR图像样本并进行规范化预处理;
所述的步骤S11中,进一步的包含以下步骤:
S111、基于航空遥感数据平台,人工采集多种类型的待识别舰船的可见光图像样本,每个图像样本是以所述待识别舰船为中心,尺寸为N×N像素的可见光图像切片;
S112、对每个所述可见光图像样本进行归一化,并对归一化后的图像进行舰船类型标记以及编号,从而形成规范化待识别舰船可见光图像样本库;
S113、从所述规范化待识别舰船可见光图像样本库中随机抽取60%~80%比例的样本作为待识别舰船的可见光图像训练样本集,将余下的样本作为待识别舰船的可见光图像测试样本集;
所述的步骤S12中,进一步的包含以下步骤:
S121、基于SAR遥感数据平台或电磁仿真软件,获取多种类型的待识别舰船的SAR图像样本,每个图像样本是以所述待识别舰船为中心,尺寸为N×N像素的SAR图像切片,且观测方位与所述可见光图像切片相近;
S122、将每个所述SAR图像进行归一化,并对归一化后的图像进行舰船类型标记以及编号,从而形成规范化待识别舰船SAR图像样本库,按照观测方位的相似性,所述SAR图像样本库中样本编号与对应的可见光图像样本编号一致;
S123、从所述规范化待识别舰船SAR图像样本库中,抽取与步骤S113中抽取的样本编号相同的样本作为待识别舰船的SAR图像训练样本集,将余下的样本作为待识别舰船的SAR图像测试样本集;
所述的步骤S2中,进一步的包含以下步骤:
S21、构建并训练可见光图像舰船特征学习的DBN模型;
S22、构建并训练SAR图像舰船特征学习的DBN模型。
所述的步骤S21中,进一步的包含以下步骤:
S211、构建一个由5层GRBM组成的DBN模型;
S212、将所述每个待识别舰船的可见光图像训练样本扁平化为1维向量,输入到S211中所述5层GRBM组成的DBN模型中进行训练,保存此时所述DBN模型中各层GRBM的参数和各层GRBM的输出向量;
S213、将所述第5层GRBM的输出向量输入到设置好参数的Softmax分类器中,得到分类结果;
S214、基于所述Softmax的分类结果,利用反向传播方法对所述5层GRBM组成的DBN模型中的各层GRBM的参数进行调整;
S215、重复步骤S212~S214进行迭代,直至所述5层GRBM组成的DBN模型收敛,得到训练好的可见光图像舰船特征学习的DBN模型,标记为DBNopt,固化保存DBNopt中的5层GRBM的参数;
所述的步骤S22中,进一步的包含以下步骤:
S221、构建一个由3层GRBM组成的DBN模型;
S222、将所述每个待识别舰船的SAR图像训练样本扁平化为1维向量,输入到所述3层GRBM组成的DBN模型中进行训练,保存此时所述DBN模型中的3层GRBM的参数和3层GRBM的输出向量;
S223、将所述第3层GRBM的输出向量输入到设置好参数的Softmax分类器中,得到分类结果;
S224、基于所述Softmax的分类结果,利用反向传播方法对所述3层GRBM组成的DBN模型中的各层GRBM的参数进行调整;
S225、重复步骤S222~S224进行迭代,直至所述3层GRBM组成的DBN模型收敛,得到训练好的SAR图像舰船特征学习的DBN模型,标记为DBNSAR,固化保存DBNSAR中的3层GRBM的参数;
所述的步骤S3中,进一步的包含以下步骤:
S31、将每个待识别舰船的可见光图像训练样本扁平化后的1维向量,输入到所述DBNopt模型中,将其中第5层GRBM的输出向量标记为其中k为样本编号;
S32、将每个待识别舰船的SAR图像训练样本扁平化后的1维向量,输入到所述DBNSAR模型中,将其中第3层GRBM的输出向量标记为其中k为样本编号;
S33、将所述和/>并行叠加,形成多源图像训练样本的多源特征向量/>
S34、构建一层GRBM作为多源特征融合学习模型,将所述Xk输入到所述一层GRBM中进行训练,保存此时该一层GRBM的参数,并将其输出向量输入到Softmax分类器中,基于分类结果,利用反向传播方法对所述一层GRBM的参数进行调整,利用各个多源特征向量Xk进行迭代,直至所述一层GRBM收敛,得到训练好的多源特征融合学习模型,标记为GRBMFus,固化保存所述GRBMFus参数;
所述步骤S4中具体包括:将所述多源特征向量Xk输入到所述GRBMFus中,将其输出的多源融合特征向量输入到ELM分类器中,对所述ELM分类器进行训练,利用各个多源融合特征向量进行迭代,得到训练好的ELM分类器,标记为ELMFus,固化保存所述ELMFus的参数;
所述步骤S5中具体包括:对于每一组待识别舰船的多源图像测试样本,即包含一幅待识别舰船的可见光图像测试样本和一幅待识别舰船的SAR图像测试样本,分别将可见光图像测试样本和SAR图像测试样本均扁平化为1维向量;将可见光图像测试样本的1维向量输入所述DBNopt模型中,得到输出向量以及将SAR图像测试样本的1维向量输入所述DBNSAR模型中,得到输出向量/>其中m表示测试样本编号;将所述输出向量/>和/>并行叠加,得到多源特征向量Xm;将该多源特征向量Xm输入所述GRBMFus模型中,得到多源特征融合向量;将该多源特征融合向量输入所述ELMFus分类器中,对舰船类型进行判定;对每一组待识别舰船的多源图像测试样本进行上述识别过程,直至完成所有测试样本的舰船类型识别。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930328.3A CN113627356B (zh) | 2021-08-13 | 2021-08-13 | 一种海面舰船智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930328.3A CN113627356B (zh) | 2021-08-13 | 2021-08-13 | 一种海面舰船智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627356A CN113627356A (zh) | 2021-11-09 |
CN113627356B true CN113627356B (zh) | 2024-02-23 |
Family
ID=78385341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110930328.3A Active CN113627356B (zh) | 2021-08-13 | 2021-08-13 | 一种海面舰船智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627356B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4276692A1 (en) * | 2022-05-13 | 2023-11-15 | Robert Bosch GmbH | Neural network layer for non-linear normalization |
CN115620172B (zh) * | 2022-12-21 | 2023-04-11 | 中国电子科技集团公司第十四研究所 | 一种基于跨域多特征海上舰船目标智能化综合识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517284A (zh) * | 2014-09-29 | 2015-04-15 | 西安电子科技大学 | 基于深度置信网的极化sar图像分割 |
CN105894035A (zh) * | 2016-04-05 | 2016-08-24 | 西安电子科技大学 | 基于sar-sift和dbn的sar图像分类方法 |
CN107945195A (zh) * | 2017-11-10 | 2018-04-20 | 西安电子科技大学 | 基于轮廓波集成dbn的极化sar图像变化检测方法 |
WO2019025944A1 (en) * | 2017-07-31 | 2019-02-07 | Telefonaktiebolaget Lm Ericsson (Publ) | INTEGRATED METHOD FOR AUTOMATING THE IMPLEMENTATION OF SERVICE LEVEL AGREEMENTS FOR CLOUD SERVICES |
CN110414414A (zh) * | 2019-07-25 | 2019-11-05 | 合肥工业大学 | 基于多层级特征深度融合的sar图像舰船目标鉴别方法 |
CN110826643A (zh) * | 2019-11-20 | 2020-02-21 | 上海无线电设备研究所 | 一种极化欧拉特征融合深度学习的海上目标识别方法 |
CN111626290A (zh) * | 2019-12-31 | 2020-09-04 | 中国航天科工集团八五一一研究所 | 一种复杂海面环境下的红外舰船目标检测识别方法 |
CN112597815A (zh) * | 2020-12-07 | 2021-04-02 | 西北工业大学 | 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法 |
CN112712049A (zh) * | 2021-01-11 | 2021-04-27 | 中国电子科技集团公司第十五研究所 | 一种小样本条件下的卫星影像舰船型号识别方法 |
-
2021
- 2021-08-13 CN CN202110930328.3A patent/CN113627356B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104517284A (zh) * | 2014-09-29 | 2015-04-15 | 西安电子科技大学 | 基于深度置信网的极化sar图像分割 |
CN105894035A (zh) * | 2016-04-05 | 2016-08-24 | 西安电子科技大学 | 基于sar-sift和dbn的sar图像分类方法 |
WO2019025944A1 (en) * | 2017-07-31 | 2019-02-07 | Telefonaktiebolaget Lm Ericsson (Publ) | INTEGRATED METHOD FOR AUTOMATING THE IMPLEMENTATION OF SERVICE LEVEL AGREEMENTS FOR CLOUD SERVICES |
CN107945195A (zh) * | 2017-11-10 | 2018-04-20 | 西安电子科技大学 | 基于轮廓波集成dbn的极化sar图像变化检测方法 |
CN110414414A (zh) * | 2019-07-25 | 2019-11-05 | 合肥工业大学 | 基于多层级特征深度融合的sar图像舰船目标鉴别方法 |
CN110826643A (zh) * | 2019-11-20 | 2020-02-21 | 上海无线电设备研究所 | 一种极化欧拉特征融合深度学习的海上目标识别方法 |
CN111626290A (zh) * | 2019-12-31 | 2020-09-04 | 中国航天科工集团八五一一研究所 | 一种复杂海面环境下的红外舰船目标检测识别方法 |
CN112597815A (zh) * | 2020-12-07 | 2021-04-02 | 西北工业大学 | 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法 |
CN112712049A (zh) * | 2021-01-11 | 2021-04-27 | 中国电子科技集团公司第十五研究所 | 一种小样本条件下的卫星影像舰船型号识别方法 |
Non-Patent Citations (6)
Title |
---|
"SAR图像舰船识别的三维空间逆投影与匹配技术";顾丹丹;《北京航空航天大学学报》;全文 * |
" Deep Learning Based on Striation Images for Underwater and Surface Target Classification";Xingyue Zhou等;《IEEE Signal Processing Letters》;第26卷(第9期);全文 * |
"SAR图像目标特征提取与识别方法研究";孙永光;《中国优秀硕士学位论文全文数据库》;全文 * |
"基于深度曲线波网络的SAR图像目标识别";杨国顺;《中国优秀硕士学位论文全文数据库》 * |
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;李明慧;宋巍;王建;;中国图象图形学报(11);全文 * |
基于遥感图像的船舶目标检测方法综述;王伟;;电讯技术(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627356A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Marine organism detection and classification from underwater vision based on the deep CNN method | |
CN107516317B (zh) | 一种基于深度卷积神经网络的sar影像海冰分类方法 | |
Dong et al. | Object detection in high resolution remote sensing imagery based on convolutional neural networks with suitable object scale features | |
Zhou et al. | Polarimetric SAR image classification using deep convolutional neural networks | |
CN113627356B (zh) | 一种海面舰船智能识别方法 | |
CN109190491B (zh) | 残差卷积神经网络sar影像海冰分类方法 | |
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 | |
Maire et al. | A convolutional neural network for automatic analysis of aerial imagery | |
CN113743417B (zh) | 语义分割方法和语义分割装置 | |
Binguitcha-Fare et al. | Crops and weeds classification using convolutional neural networks via optimization of transfer learning parameters | |
Stofa et al. | A deep learning approach to ship detection using satellite imagery | |
Guo et al. | Underwater sea cucumber identification via deep residual networks | |
Cengiz et al. | Classification of human and vehicles with the deep learning based on transfer learning method | |
CN112906564B (zh) | 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法 | |
Schmidt et al. | Object detection of aerial image using mask-region convolutional neural network (mask R-CNN) | |
CN116664940A (zh) | 一种合成孔径雷达自动目标识别的方法 | |
Ahmed et al. | Satin bowerbird optimization with convolutional LSTM for food crop classification on UAV imagery | |
CN115311570A (zh) | 一种基于关键点表示的红外弱小目标检测方法 | |
CN114663916A (zh) | 一种基于深度抽象特征的热红外人体目标识别方法 | |
CN113902975A (zh) | 一种用于sar舰船检测的场景感知数据增强方法 | |
Yulin et al. | Recognition of side-scan sonar shipwreck image using convolutional neural network | |
Bourcier et al. | Self-supervised pretraining on satellite imagery: A case study on label-efficient vehicle detection | |
Hua et al. | CV-RotNet: Complex-Valued Convolutional Neural Network for SAR three-dimensional rotating ship target recognition | |
Madhasu et al. | Chrometect GAYO: Classification and Colorization using PIX2PIX and YOLOV8 | |
CN115965825B (zh) | 一种基于轻量级网络的多光谱卫星图像舰船冰山分类方法 |
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 |