[發明專利]一種級聯式由粗到精的卷積神經網絡船舶類型識別方法

在審

• 申請號: 201811025411.0
• 申請日: 2018-09-04
• 公開（公告）號: CN109299671A
• 公開（公告）日: 2019-02-01
• 發明（設計）人: 陳信強;楊勇生;吳華鋒;萇道方;于澤崴;張倩楠;陳晶;傅俊杰;趙建森;陳輝興
• 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: 上海元好知識產權代理有限公司 31323
• 代理人: 包姝晴

1.一種級聯式由粗到精的深度卷積神經網絡船舶類型識別方法，其特征在于，包括以下步驟：

S1：輸入所有船舶類型的圖片和對應的圖片標簽，對由粗到精的深度卷積神經網絡進行粗糙級訓練，得到由粗到精的深度卷積神經網絡的設置參數，及不同船舶類型的訓練識別精度；

S2：利用所述訓練識別精度最低的船舶類型的圖片，對由粗到精的深度卷積神經網絡進行精細級訓練，如果深度卷積神經網絡尚未達到預設的收斂條件，則返回步驟S1繼續訓練，否則執行步驟S3；

S3：對圖片中的船舶進行類型識別，并輸出船舶類型的識別結果。

2.根據權利要求1所述的級聯式由粗到精的深度卷積神經網絡船舶類型識別方法，其特征在于，所述的步驟S1包括以下步驟：

S11：將初始輸入的船舶類型的圖片裁剪為固定尺寸，匹配輸入的船舶類型的圖片及對應的圖片標簽，得到格式化的船舶圖像和圖像標簽；

S12：利用所述的格式化的船舶圖像和圖像標簽，對級聯式由粗到精的深度卷積神經網絡進行訓練，得到級聯式由粗到精的深度卷積神經網絡的設置參數，提取不同的船舶類型的深度特征；

S13：根據所述深度特征，得到輸入的船舶類型的圖片的置信度水平分布，將置信度值最大對應的船舶類型輸出為單次訓練識別結果；

S14：根據所述單次訓練識別結果，比較圖片標簽對應的船舶真實所屬類型，獲得不同船舶類型的訓練識別精度。

3.根據權利要求2所述的級聯式由粗到精的深度卷積神經網絡船舶類型識別方法，其特征在于，所述的步驟S12包括以下步驟：

S121：所述的級聯式由粗到精的深度卷積神經網絡利用卷積層提取船舶特征；所述船舶特征包括：低級船舶特征，包括船舶紋理、輪廓和角點；高級船舶特征，根據船舶的不同類型對低級船舶特征進行相應的高度抽象而獲得；

S122：所述的級聯式由粗到精的深度卷積神經網絡利用池化層對所述的船舶特征降維學習；

S123：所述的級聯式由粗到精的深度卷積神經網絡利用局部響應歸一化層，增加對所述的卷積層提取的船舶特征的局部響應隨機賦予更大的響應值，提取泛化船舶特征。

4.根據權利要求3所述的級聯式由粗到精的深度卷積神經網絡船舶類型識別方法，其特征在于，所述的步驟S13包括以下步驟：

S131：所述的級聯式由粗到精的深度卷積神經網絡利用全連接層，將所述的泛化船舶特征映射為單一船舶特征向量，其表達式如下：

F_out＝Θ×F_in

其中：F_out是全連接層輸出的單一船舶特征向量，該特征向量共有n₁個元素；F_in是輸入的泛化船舶特征，其維度為n₂+1；Θ是特征向量的F_in和F_out的連接矩陣，維度是n₁×(n₂+1)；

S132：所述的級聯式由粗到精的深度卷積神經網絡利用損失層，根據所述的單一船舶特征向量作為輸入的船舶圖像生成概率向量，該向量中的元素表示船舶所屬類型的概率，計算表達式如下：

其中，F_p是所述損失層的單一船舶特征向量；v_j是計算船舶概率向量時第j類船舶類型對應的權值。

5.根據權利要求1或2或3或4所述的級聯式由粗到精的深度卷積神經網絡船舶類型識別方法，其特征在于，所述的步驟S14的船舶類型的訓練識別精度e_1t的計算表達式如下：

其中：N_s是待識別的船舶圖片總數量；N_er是類型識別錯誤的船舶圖片總數量。