[發(fā)明專利]基于現(xiàn)場(chǎng)可編程門陣列FPGA的圖像分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810549729.2
• 申請(qǐng)日: 2018-05-31
• 公開（公告）號(hào): CN108830195A
• 公開（公告）日: 2018-11-16
• 發(fā)明（設(shè)計(jì)）人: 田小林;逯甜甜;張晰;焦李成;丁鑫
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 田文英;王品華

本發(fā)明公開了一種基于現(xiàn)場(chǎng)可編程門陣列FPGA的圖像分類方法，實(shí)現(xiàn)的步驟是：(1)獲取測(cè)試數(shù)據(jù)集；(2)獲取訓(xùn)練數(shù)據(jù)集；(3)搭建一個(gè)含有10個(gè)卷積層，3個(gè)最大池化層，1個(gè)平均池化層和一個(gè)柔性最大值softmax層共15層的卷積神經(jīng)網(wǎng)絡(luò)；(4)設(shè)置卷積神經(jīng)網(wǎng)絡(luò)中各層的內(nèi)核參數(shù)；(5)利用訓(xùn)練數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)；(6)將測(cè)試圖片輸入到卷積神經(jīng)網(wǎng)絡(luò)中，對(duì)測(cè)試數(shù)據(jù)集進(jìn)行分類；(7)計(jì)算測(cè)試數(shù)據(jù)集的準(zhǔn)確率。本發(fā)明可用在現(xiàn)場(chǎng)可編程門陣列FPGA上實(shí)現(xiàn)對(duì)光學(xué)圖像，SAR圖像，自然圖像進(jìn)行分類。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)技術(shù)領(lǐng)域，更進(jìn)一步涉及深度學(xué)習(xí)技術(shù)領(lǐng)域中的一種基于現(xiàn)場(chǎng)可編程門陣列FPGA(Field Programmable GateArray)的圖像分類方法。本發(fā)明可以對(duì)基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法加速，可用在FPGA上實(shí)現(xiàn)對(duì)合成孔徑雷達(dá)SAR(Synthetic Aperture Radar)圖像，光學(xué)圖像，自然圖像進(jìn)行分類。

背景技術(shù)

具有高速、高性能的SAR圖像分類方法是計(jì)算機(jī)視覺領(lǐng)域的核心技術(shù)。近年來(lái)基于深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺領(lǐng)域大放異彩，基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法與傳統(tǒng)的方法相比，分類準(zhǔn)確率顯著提升。對(duì)于復(fù)雜場(chǎng)景的圖像分類，基于深度卷積神經(jīng)網(wǎng)絡(luò)的算法有著更強(qiáng)的魯棒性。

電子科技大學(xué)在其申請(qǐng)的專利文獻(xiàn)“基于分?jǐn)?shù)譜稀疏表示的SAR圖像目標(biāo)識(shí)別方法”(申請(qǐng)日：2014年06月16日，申請(qǐng)?zhí)枺?01410270929.6，公開號(hào)：104021400A)中公開了一種基于分?jǐn)?shù)譜稀疏表示的SAR圖像目標(biāo)識(shí)別方法。該方法用訓(xùn)練圖像集構(gòu)建原子庫(kù)和對(duì)待測(cè)圖像的分類識(shí)別兩個(gè)過(guò)程，具體的在特征提取方面同時(shí)提取了分?jǐn)?shù)譜域和圖像像素域兩類特征；在特征分類方面，利用圖像分?jǐn)?shù)譜和像素兩類特征的相關(guān)性，設(shè)計(jì)新的聯(lián)合稀疏表示和稀疏分類方法對(duì)待測(cè)圖像進(jìn)行分類識(shí)別，通過(guò)利用分?jǐn)?shù)域時(shí)頻變換獲得了信號(hào)的高分辨頻譜特征，將其與圖像空間像素域特征進(jìn)行聯(lián)合稀疏表示和稀疏分類，提高了SAR目標(biāo)識(shí)別的準(zhǔn)確率。但是，該方法仍然存在不足之處是，利用圖像分?jǐn)?shù)譜和像素兩類特征對(duì)圖像進(jìn)行分類，雖然適用于SAR圖像的分類，但是對(duì)光學(xué)圖像，自然圖像分類效果較差，大大限制了其應(yīng)用范圍。

杭州電子科技大學(xué)在其申請(qǐng)的專利文獻(xiàn)“基于CS和SVM決策級(jí)融合的SAR圖像目標(biāo)識(shí)別方法”(申請(qǐng)日：2014年07月10日，申請(qǐng)?zhí)枺?01410328277.7，公開號(hào)：104134076B)中公開了一種基于GPU加速的Haar分類器的目標(biāo)檢測(cè)方法。該方法公開了一種基于CS和SVM決策級(jí)融合的SAR圖像目標(biāo)識(shí)別方法。該方法結(jié)合了壓縮感知和支持向量機(jī)各自的優(yōu)勢(shì)，利用壓縮感知的優(yōu)化求解數(shù)據(jù)校正方位角，并對(duì)壓縮感知和支持向量機(jī)的識(shí)別結(jié)果進(jìn)行決策級(jí)融合。首先將SAR圖像目標(biāo)識(shí)別問題轉(zhuǎn)化為稀疏信號(hào)恢復(fù)問題，基于恢復(fù)的稀疏系數(shù)分別獲得目標(biāo)分類結(jié)果和目標(biāo)方位角估計(jì)，然后對(duì)測(cè)試圖像進(jìn)行姿態(tài)校正，利用支持向量機(jī)獲取目標(biāo)分類結(jié)果，最后將三者分類結(jié)果根據(jù)投票法進(jìn)行決策級(jí)融合。該方法存在的不足之處是，由于使用支持向量機(jī)SVM對(duì)圖像進(jìn)行分類，檢測(cè)精度較低。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于SF-RCNN的光學(xué)遙感圖像陸地飛機(jī)和水中艦船目標(biāo)檢測(cè)方法。本發(fā)明與現(xiàn)有其他光學(xué)遙感圖像目標(biāo)檢測(cè)方法相比，能夠?qū)⑷矸e語(yǔ)義分割網(wǎng)絡(luò)加入到深度卷積目標(biāo)檢測(cè)網(wǎng)絡(luò)中輔助檢測(cè)網(wǎng)絡(luò)以提高檢測(cè)準(zhǔn)確率，并且實(shí)現(xiàn)檢測(cè)網(wǎng)絡(luò)與語(yǔ)義分割網(wǎng)絡(luò)一體化。

實(shí)現(xiàn)本發(fā)明目的的思路是：先構(gòu)造測(cè)試數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)集，再搭建一個(gè)共24層的基于全卷積語(yǔ)義分割的深度卷積網(wǎng)絡(luò)并設(shè)置每層參數(shù)，用訓(xùn)練數(shù)據(jù)集對(duì)SF-RCNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的SF-RCNN網(wǎng)絡(luò)，最后將測(cè)試樣本集送入訓(xùn)練好的SF-RCNN網(wǎng)絡(luò)得到光學(xué)遙感圖像的最終檢測(cè)結(jié)果。

本發(fā)明的具體步驟包括如下：

(1)獲取測(cè)試數(shù)據(jù)集：

從含有4種目標(biāo)類別的圖片集的每一個(gè)類別中隨機(jī)選取132幅圖片，組成測(cè)試數(shù)據(jù)集；

(2)獲取訓(xùn)練數(shù)據(jù)集：