[發明專利]基于密集卷積神經網絡的遙感飛機識別方法

有效

• 申請號: 201810326575.0
• 申請日: 2018-04-12
• 公開（公告）號: CN108549866B
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 于麗;劉坤;于晟燾
• 申請（專利權）人: 上海海事大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上?；ロ槍＠硎聞账?普通合伙) 31332
• 代理人: 余毅勤

1.一種基于密集卷積神經網絡的聯合監督遙感飛機識別方法，其特征在于包括以下步驟：

步驟一：將密集卷積神經網絡結構在自建遙感飛機數據庫上訓練，訓練樣本為十類遙感飛機圖像，并且經過旋轉、加噪聲、加不同程度遮擋以及不同像素運動模糊的預處理；網絡第一層是卷積層，之后是最大池化層，隨后是網絡的核心部分密集連接的3個密集塊，每個密集塊中包含兩個卷積層，且密集塊之間使用過渡層降低輸出維數，再是池化層以及全連接層，最后使用聯合監督方法輸出識別結果；

步驟二：初始化參數設置，網絡訓練中學習率lr設置在0.009～0.02范圍內，batchsize設置為ξ，也就是每訓練ξ個樣本就調整一次權值，本發明采用的聯合監督就是將softmax損失函數與中心損失函數加權求和，并且用λ平衡兩個損失函數，α控制中心的學習率，λ設置在0.008～0.03范圍內，α設置在0.2～0.5范圍內；

步驟三：首先將一張178×178像素的遙感圖像經過第一個卷積層得到16個89×89的特征圖，隨后經過最大池化得到16個46×46的特征圖，其次經過3個密集塊后得到80個46×46的特征圖，由于密集連接特性，80由16+16×4得到，然后經過包含卷積層、池化層的過渡層得到40個23×23的特征圖，同理在經過14個密集塊和一個過渡層后得到196個6×6特征圖，最后經過平均池化層得到196個1×1的特征圖送到全連接層；

步驟四：將全連接層輸出的1×10向量輸入到聯合監督的損失函數L中，公式(1)如下，且Ls代表softmax損失函數，Lc代表中心損失函數；

其中：x_i代表d維空間中第i個深層特征，屬于第y_i類；d:特征空間的維度；W：全連接的參數矩陣，W＝{d×n}，d行n列；Wj：W的第j列；m：批處理的大??；n：類別數；b：偏置，代表第y_i類深層特征的類心，λ用于平衡兩個損失函數，如果將λ設置為0，那么可以看作是這種聯合監督的一個特例，表示僅用softmax損失函數；

步驟五：計算聯合損失并與設定閾值比較，未達到要求則對聯合損失求偏導計算反向傳播誤差，方程如下

步驟六：得到誤差后更新權值與深度特征類心的方程如下，且訓練過程中深度特征類心的更新采用一種基于小批量訓練集更新深層特征類心的訓練方法，而且為了避免少量誤標樣本造成的大擾動，我們使用α來控制中心的學習率，計算Lc對x_i的梯度和更新方程：

其中如果y_i＝j則δ(y_i＝j)＝1，如果y_i≠j則δ(y_i＝j)＝0，α在[0,1]范圍內，之后循環進行權值以及類心調整如以下方程，直到達到要求后輸出損失函數計算結果；

步驟七：網絡測試：為了驗證本發明方法的有效性，在自建測試集中驗證步驟一至步驟七對于噪聲、模糊、遮擋三種異常情況的魯棒性，通過前向傳播算法預測遙感飛機識別結果。