[發(fā)明專利]一種用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法及其分類方法、船舶分類模型

有效

• 申請?zhí)枺?/td>: 201810450109.3
• 申請日: 2018-05-11
• 公開（公告）號: CN108664933B
• 公開（公告）日: 2021-12-28
• 發(fā)明（設(shè)計）人: 王超;王原原;張紅
• 申請（專利權(quán)）人: 中國科學(xué)院空天信息創(chuàng)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(chǎn)權(quán)代理有限公司 11225
• 代理人: 黃威;喻嶸

本發(fā)明提供一種用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法及其分類方法，訓(xùn)練方法包括：獲取SAR圖像中帶有船舶類別的切片；基于帶有船舶類別的切片對用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以使得其能夠達(dá)到預(yù)設(shè)訓(xùn)練精度；其中，用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)為在第一模型的基礎(chǔ)上，去掉第一模型的第一全連接層，并依據(jù)所述帶有船舶類別的切片的船舶類別的數(shù)目添加第二全連接層構(gòu)建而成。訓(xùn)練方法可以實現(xiàn)僅存在少量訓(xùn)練數(shù)據(jù)的情形下對用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其達(dá)到預(yù)設(shè)訓(xùn)練精度。并且將本發(fā)明中的已達(dá)到預(yù)設(shè)訓(xùn)練精度的用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于SAR圖像船舶分類中，其船舶分類精度可以達(dá)到97.54％。

技術(shù)領(lǐng)域

本申請涉及遙感領(lǐng)域，具體涉及一種用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法及其分類方法。

背景技術(shù)

自2007年開始，有多顆高分辨率SAR衛(wèi)星發(fā)射成功，如Cosmo-SkyMed、 TerraSAR-X、ALOS-2PALSAR-2、Gaofen-3等，基于衛(wèi)星所獲得的高分辨率衛(wèi)星SAR圖像的分辨率超過3米，其包含了地面地物豐富的信息，例如船舶的幾何特征，從而使得區(qū)分不同類別的船舶變得可能。

深度學(xué)習(xí)模型(例如，卷積神經(jīng)網(wǎng)絡(luò))由于能夠自動學(xué)習(xí)SAR圖像中表示地物的信息，并且提供了對應(yīng)的端到端的處理而不需要人工介入，從而節(jié)省了特征抽取和選擇以及最優(yōu)化分類器的時間。因此，深度學(xué)習(xí)模型逐漸應(yīng)用于SAR圖像中進(jìn)行分類任務(wù)。但，使用深度學(xué)習(xí)模型的瓶頸是它需要大量的訓(xùn)練數(shù)據(jù)，并且獲得大量的標(biāo)記數(shù)據(jù)浪費(fèi)時間且難以獲得。因此，亟需一種全新的對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練的方法。

發(fā)明內(nèi)容

本發(fā)明提供了一種用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法及其分類方法。所述訓(xùn)練方法可以實現(xiàn)僅存在少量訓(xùn)練數(shù)據(jù)的情形下對所述用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其達(dá)到預(yù)設(shè)訓(xùn)練精度。并且將本發(fā)明中的已達(dá)到預(yù)設(shè)訓(xùn)練精度的用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于SAR圖像船舶分類中，其船舶分類精度可以達(dá)到97.54％。

為了解決上述技術(shù)問題，本發(fā)明實施例提供了如下的技術(shù)方案：

本發(fā)明第一方面提供一種用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)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(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以使得其能夠達(dá)到預(yù)設(shè)訓(xùn)練精度；

其中，所述用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)為在第一模型的基礎(chǔ)上，去掉所述第一模型的第一全連接層，并依據(jù)所述帶有船舶類別的切片的船舶類別的數(shù)目添加第二全連接層構(gòu)建而成。

作為優(yōu)選，所述第一全連接層包括第一Softmax層和兩個第一fully connected層。

作為優(yōu)選，所述第二全連接層包括第二Softmax層和第二fully connected層。

作為優(yōu)選，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(chǔ)上依據(jù)船舶信息和預(yù)設(shè)規(guī)則獲取帶有船舶類別的切片。

作為優(yōu)選，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(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括，對用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)的所有連接層進(jìn)行訓(xùn)練，或

對所述用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)的第二全連接層進(jìn)行訓(xùn)練。

作為優(yōu)選，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(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括，對用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)的所有連接層進(jìn)行訓(xùn)練，或

對所述用于SAR圖像船舶分類的卷積神經(jīng)網(wǎng)絡(luò)的第二全連接層和第二 Softmax層進(jìn)行訓(xùn)練。