[發明專利]基于深度學習的在線SAR目標檢測方法

有效

• 申請號: 201710667304.7
• 申請日: 2017-08-07
• 公開（公告）號: CN107563411B
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 陳渤;鮑志業
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.基于深度學習的在線SAR目標檢測方法，包括：

(1)獲取SAR圖像樣本：

(1A)從微小合成孔徑雷達MiniSAR數據集中隨機選取100張SAR圖像，其中20張作為初始訓練SAR圖像，60張作為在線更新時的SAR圖像，20張作為測試SAR圖像；

(1B)從每張訓練SAR圖像中獲取樣本切片，并對樣本切片中SAR目標的坐標信息和類別信息進行標注，將所有獲取到的SAR目標樣本切片組成訓練樣本集；

(2)擴充訓練樣本集：

對訓練樣本集中每個SAR目標樣本切片中的待識別目標區域進行多次的隨機平移，并用每次平移后的訓練樣本切片和原始訓練樣本切片組成擴充后的訓練樣本集，再將所有的訓練樣本集放在一起組成訓練樣本庫；

(3)訓練端到端實時檢測模型YOLO：

(3A)設置一個由三層卷積層和兩層全連接層構成的網絡結構，其自下而上包括如下5層結構：

第一層為卷積層，用于對128*128*1*n的輸入數據進行卷積，n表示輸入樣本個數，該卷積層的卷積核窗口大小為3*3，步長為2，輸出的96個特征圖到第二層；

第二層為卷積層，用于對第一層得到特征圖進行卷積，該卷積層的卷積核窗口大小為3*3，步長為2，輸出96個特征圖，每個特征圖經過一個下采樣，下采樣的核窗口大小為2*2，步長為2，經下采樣得到降維后的特征圖輸入到第三層；

第三層為卷積層，用于對第二層得到特征圖進行卷積，該卷積層的卷積核窗口大小為3*3，步長為2，輸出256個特征圖，每個特征圖經過一個下采樣，下采樣的核窗口大小為2*2，步長為2，經下采樣得到降維后的特征圖,再將特征圖變換成h維的列向量輸入到第四層；

第四層為全連接層，該層有1000個神經元，用于將第三層輸出的h維列向量與該全連接層的權值矩陣和偏置進行非線性變換得到一個1000維列向量輸入到第五層；

第五層為全連接層，該層有1100個神經元，用于將第四層全連接層輸出的1000維列向量與本層連接層的權值矩陣和偏置進行非線性變換，得到一個1100維特征向量；

并用擴充后的訓練樣本對由該網絡結構構成的端到端實時檢測模型YOLO進行訓練，得到訓練好的網絡模型；

(4)SAR圖像的測試：

(4A)對待測SAR圖像進行雙參數恒虛警檢測，以雙參數恒虛警檢測結果中各個目標質心為中心，提取對應的檢測切片；

(4B)用端到端實時檢測模型YOLO對各個檢測切片進行目標檢測，得到各個切片的目標檢測結果；

(4C)對各個切片的目標檢測結果，按照其在原始SAR圖像的相對位置進行合并，得到待測SAR圖像的目標檢測結果；

(5)在線學習：

(5A)對于在線更新的SAR圖像，每次更新時獲取其中的10～30張作為新的訓練SAR圖像，重復步驟(1B)和步驟(2)，得到擴充后的樣本；

(5B)將步驟3訓練好的模型作為初始模型，用該初始模型的參數初始化端到端實時檢測模型YOLO；

(5C)采用核心集方法從訓練樣本庫中挑選m個樣本作為核心集Coreset，m的范圍為600～1200；再用擴充后的樣本與核心集Coreset重新訓練端到端實時檢測模型YOLO，得到更新后的端到端實時檢測模型YOLO，重復步驟(4)用該更新后的端到端實時檢測模型YOLO對SAR圖像進行檢測；

(5D)重復步驟(5A)～(5C)，直到在線更新的SAR圖像全部更新完。