[發(fā)明專利]一種基于深度卷積網(wǎng)絡(luò)的可見(jiàn)光艦船虛警剔除方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810088640.0
• 申請(qǐng)日: 2018-01-30
• 公開(kāi)（公告）號(hào): CN108399420B
• 公開(kāi)（公告）日: 2021-07-06
• 發(fā)明（設(shè)計(jì)）人: 曾大治;梁小偉;常佳佳;董安冉
• 申請(qǐng)（專利權(quán)）人: 北京理工雷科電子信息技術(shù)有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京理工大學(xué)專利中心 11120
• 代理人: 劉芳;仇蕾安

1.一種基于深度卷積網(wǎng)絡(luò)的可見(jiàn)光艦船虛警剔除方法，其特征在于，具體過(guò)程為：

步驟1、選取光學(xué)遙感圖像中的艦船切片和虛警切片，作為初始的艦船樣本和虛警樣本；對(duì)兩類樣本中的切片進(jìn)行艦船、虛警類型標(biāo)記；

步驟2、分別對(duì)初始的艦船樣本和虛警樣本進(jìn)行數(shù)據(jù)增廣；

步驟3、分別對(duì)增廣后的艦船樣本和虛警樣本進(jìn)行傳統(tǒng)特征提取，生成艦船樣本集特征庫(kù)與虛警樣本集特征庫(kù)，使用K－means算法結(jié)合樣本集特征庫(kù)將增廣后的艦船樣本細(xì)分為M個(gè)子類、將增廣后的虛警樣本分為N個(gè)子類，共得到(M+N)個(gè)子類樣本，對(duì)(M+N)個(gè)子類樣本中的切片進(jìn)行類型標(biāo)記；

步驟4、使用已經(jīng)在ImageNet大數(shù)據(jù)集上訓(xùn)練過(guò)的VGG19網(wǎng)絡(luò)作為基網(wǎng)絡(luò)，并在此基礎(chǔ)上進(jìn)行優(yōu)化，得到優(yōu)化后的CNN卷積神經(jīng)網(wǎng)絡(luò)；

所述優(yōu)化的方式為：在基網(wǎng)絡(luò)前兩個(gè)最大池化層的前面和每一個(gè)卷積層的后面分別加入BatchNorm策略；

步驟5、初始化優(yōu)化后的CNN中的待訓(xùn)練參數(shù)，并設(shè)置網(wǎng)絡(luò)超參數(shù)，得到訓(xùn)練網(wǎng)絡(luò)；

步驟6、將步驟3得到的(M+N)個(gè)子類樣本打亂，并使用訓(xùn)練網(wǎng)絡(luò)對(duì)其進(jìn)行遷移學(xué)習(xí)訓(xùn)練，共訓(xùn)練t₁代，訓(xùn)練過(guò)程中每一代都會(huì)自動(dòng)更新待訓(xùn)練參數(shù)，并獲得對(duì)應(yīng)的訓(xùn)練精度和損失曲線；

步驟7、根據(jù)步驟6中獲得的訓(xùn)練精度和損失函數(shù)曲線選擇最優(yōu)的那一代訓(xùn)練網(wǎng)絡(luò)中的待訓(xùn)練參數(shù)，加載到步驟4中得到的CNN構(gòu)成判定網(wǎng)絡(luò)，對(duì)打亂后的(M+N)個(gè)子類樣本進(jìn)行類型判定，記錄樣本中每個(gè)切片的判定概率；

步驟8、將打亂后的(M+N)個(gè)子類樣本進(jìn)行重新歸類，然后根據(jù)判定概率將(M+N)個(gè)子類樣本中的切片各自細(xì)分成k小類，最終得到k×(M+N)個(gè)小類，分類后對(duì)切片進(jìn)行類型標(biāo)記；

步驟9、根據(jù)k×(M+N)個(gè)小類中每小類的數(shù)據(jù)量對(duì)k×(M+N)個(gè)小類分別進(jìn)行數(shù)據(jù)增廣，得到k×(M+N)個(gè)訓(xùn)練樣本集；

步驟10、將在步驟9中得到的k×(M+N)個(gè)訓(xùn)練樣本集打亂，“凍結(jié)”步驟5中得到的訓(xùn)練網(wǎng)絡(luò)的卷積層，然后對(duì)打亂后的訓(xùn)練樣本集進(jìn)行微調(diào)訓(xùn)練，即只調(diào)節(jié)全連接層的待訓(xùn)練參數(shù)，不調(diào)節(jié)卷積層的待訓(xùn)練參數(shù)；訓(xùn)練t₂代后結(jié)束，訓(xùn)練過(guò)程中每一代都會(huì)自動(dòng)更新待訓(xùn)練參數(shù)，并獲得對(duì)應(yīng)的訓(xùn)練精度和損失曲線；

步驟11、根據(jù)步驟10中獲得的訓(xùn)練精度和損失函數(shù)曲線選擇最優(yōu)的那一代訓(xùn)練網(wǎng)絡(luò)中的待訓(xùn)練參數(shù)，加載到步驟4中得到的CNN構(gòu)成最終識(shí)別網(wǎng)絡(luò)。

2.根據(jù)權(quán)利要求1所述的一種基于深度卷積網(wǎng)絡(luò)的可見(jiàn)光艦船虛警剔除方法，其特征在于，步驟2和步驟9中所述數(shù)據(jù)增廣的方式有仿射變換、亮度變換和對(duì)比度變換。

3.根據(jù)權(quán)利要求1所述的一種基于深度卷積網(wǎng)絡(luò)的可見(jiàn)光艦船虛警剔除方法，其特征在于，步驟3具體為：

1)對(duì)切片進(jìn)行傳統(tǒng)特征提取包含目標(biāo)長(zhǎng)度、長(zhǎng)寬比、面積、空間擴(kuò)展度、占空比五個(gè)基礎(chǔ)特征；

2)采用K－means算法結(jié)合1)所提出的5個(gè)基礎(chǔ)特征對(duì)艦船切片與虛警切片分別進(jìn)行子類劃分，將艦船切片細(xì)分為M類子類，將虛警切片細(xì)分為N個(gè)子類。

4.根據(jù)權(quán)利要求1所述的一種基于深度卷積網(wǎng)絡(luò)的可見(jiàn)光艦船虛警剔除方法，其特征在于，步驟7所述判定概率為：

對(duì)樣本進(jìn)行類型判定時(shí)，樣本中每個(gè)切片都會(huì)獲得(M+N)個(gè)概率，分別對(duì)應(yīng)不同的類型，(M+N)個(gè)概率的概率和為1，將(M+N)個(gè)概率中最大的那個(gè)概率記為判定概率。

5.根據(jù)權(quán)利要求1所述的一種基于深度卷積網(wǎng)絡(luò)的可見(jiàn)光艦船虛警剔除方法，其特征在于，步驟8所述分類方式為：

以“判定概率在0.85以上”、“判定概率在0.75～0.85”和“判定概率在0.75以下”為分類區(qū)間，將(M+N)個(gè)子類樣本中的切片各自細(xì)分成3小類，即k＝3，最終得到3×(M+N)個(gè)小類，根據(jù)判定概率判定切片的類型，如果切片類型判定錯(cuò)誤，將該切片歸為對(duì)應(yīng)子類的“判定概率在0.75以下”小類里。

6.根據(jù)權(quán)利要求1所述的一種基于深度卷積網(wǎng)絡(luò)的可見(jiàn)光艦船虛警剔除方法，其特征在于，步驟9所述根據(jù)小類的數(shù)據(jù)量對(duì)小類進(jìn)行數(shù)據(jù)增廣的具體方式如下：

(M+N)個(gè)子類中的每個(gè)子類都有3個(gè)小類，針對(duì)每個(gè)子類，數(shù)據(jù)量最大的小類不用進(jìn)行數(shù)據(jù)增廣，對(duì)其余2個(gè)小類進(jìn)行數(shù)據(jù)增廣，使這2個(gè)小類各自的數(shù)據(jù)量增廣至數(shù)據(jù)量最大的小類的數(shù)據(jù)量的2/3。