[發明專利]一種用于SAR圖像船舶分類的卷積神經網絡的訓練方法及其分類方法、船舶分類模型

有效

• 申請號: 201810450109.3
• 申請日: 2018-05-11
• 公開（公告）號: CN108664933B
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 王超;王原原;張紅
• 申請（專利權）人: 中國科學院空天信息創新研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京金信知識產權代理有限公司 11225
• 代理人: 黃威;喻嶸

1.一種用于SAR圖像船舶分類的卷積神經網絡的訓練方法，其包括：

獲取SAR圖像中帶有船舶類別的切片；

基于所述帶有船舶類別的切片對用于SAR圖像船舶分類的卷積神經網絡進行訓練，以使得其能夠達到預設訓練精度；具體包括：

設置用于SAR圖像船舶分類的卷積神經網絡訓練的初始化參數；

將所述帶有船舶類別的切片輸入用于SAR圖像船舶分類的卷積神經網絡進行訓練獲取輸出結果；

判斷輸出結果是否達到預設訓練精度；

如果否，則調整初始化參數，返回執行將所述帶有船舶類別的切片輸入用于SAR圖像船舶分類的卷積神經網絡進行訓練獲取輸出結果的步驟；

輸出結果達到預設訓練精度；

其中，所述用于SAR圖像船舶分類的卷積神經網絡為在第一模型的基礎上，去掉所述第一模型的第一全連接層，并依據所述帶有船舶類別的切片的船舶類別的數目添加第二全連接層構建而成；

其中，所述設置用于SAR圖像船舶分類的卷積神經網絡訓練的初始化參數，其包括，將第一模型進行預訓練得到的預訓練參數作為所述用于SAR圖像船舶分類的卷積神經網絡的初始化參數；

其中，所述第一模型在光學數據集上進行預訓練得到預訓練參數；

其中，所述第一模型選自VGG16、VGG19、InceptionV3或Xception；采用兩類方法對用于SAR圖像船舶分類的卷積神經網絡進行訓練：第一類訓練方法為：對所有連接層進行訓練；第二類訓練方法為：只對第二全連接層進行訓練。

2.根據權利要求1所述的訓練方法，其中，所述第一全連接層包括第一Softmax層和兩個第一fully connected層，所述第二全連接層包括第二Softmax層和第二fullyconnected層。

3.根據權利要求1所述的訓練方法，其中，所述獲取SAR圖像中帶有船舶類別的切片，包括：

在所述SAR圖像的基礎上依據船舶信息和預設規則獲取帶有船舶類別的切片。

4.根據權利要求1所述的訓練方法，其中，所述基于所述帶有船舶類別的切片對用于SAR圖像船舶分類的卷積神經網絡進行訓練，包括，對用于SAR圖像船舶分類的卷積神經網絡的所有連接層進行訓練，或

對所述用于SAR圖像船舶分類的卷積神經網絡的第二全連接層進行訓練。

5.一種基于權利要求1-4任一項所述的用于SAR圖像船舶分類的卷積神經網絡的訓練方法訓練后得到的卷積神經網絡的SAR圖像船舶分類的方法，其包括：

獲取待分類SAR圖像中的船舶切片；

將所述船舶切片輸入已達到預設訓練精度的用于SAR圖像船舶分類的卷積神經網絡獲取所述船舶切片的船舶分類結果。

6.一種船舶分類模型，其中，所述模型基于能夠達到預設訓練精度的卷積神經網絡實現，所述卷積神經網絡為在第一模型的基礎上，去掉所述第一模型的第一全連接層，并依據帶有船舶類別的切片的船舶類別的數目添加第二全連接層構建而成；

其中，使所述卷積神經網絡能夠達到預設訓練精度的方式，具體包括：設置用于SAR圖像船舶分類的卷積神經網絡訓練的初始化參數；將所述帶有船舶類別的切片輸入用于SAR圖像船舶分類的卷積神經網絡進行訓練獲取輸出結果；判斷輸出結果是否達到預設訓練精度；如果否，則調整初始化參數，返回執行將所述帶有船舶類別的切片輸入用于SAR圖像船舶分類的卷積神經網絡進行訓練獲取輸出結果的步驟；輸出結果達到預設訓練精度；

其中，所述設置用于SAR圖像船舶分類的卷積神經網絡訓練的初始化參數，其包括，將第一模型進行預訓練得到的預訓練參數作為所述用于SAR圖像船舶分類的卷積神經網絡的初始化參數；

其中，所述第一模型在光學數據集上進行預訓練得到預訓練參數；

其中，所述第一模型選自VGG16、VGG19、InceptionV3或Xception；采用兩類方法對用于SAR圖像船舶分類的卷積神經網絡進行訓練：第一類訓練方法為：對所有連接層進行訓練；第二類訓練方法為：只對第二全連接層進行訓練。