[發明專利]基于空-時聯合卷積的SAR序列圖像分類方法

有效

• 申請號: 201911027696.6
• 申請日: 2019-10-28
• 公開（公告）號: CN110781830B
• 公開（公告）日: 2023-03-10
• 發明（設計）人: 白雪茹;薛瑞航;韓夏欣
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;黎漢華

1.基于空-時聯合卷積的SAR序列圖像分類方法，其特征在于，包括如下：

(1)生成樣本集：即從公開網絡的MSTAR數據集中，選取雷達在17°俯仰角下觀測到的3671幅SAR圖像及相應的標簽，組成原始訓練樣本集；選取雷達在15°俯仰角下觀測到的3203幅SAR圖像及相應的標簽，組成原始測試樣本集；

(2)生成訓練序列樣本集：

(2a)圍繞原始訓練樣本集中每幅SAR圖像的中心，將每幅SAR圖像裁剪為60×60個像素,得到裁剪后的訓練樣本集；

(2b)將裁剪后的訓練樣本集，按每15幅SAR圖像分為一組，并使用滑窗法，生成包含3531組序列的訓練序列樣本集；

(3)構建空-時聯合卷積網絡：

(3a)構建一個由4組3D擴張卷積層-3D池化層結構依次級聯的深度卷積神經網絡，其中：前三組中的每一組卷積層和池化層之間設有相應的批歸一化BN、使用ReLU函數進行激活變換和dropout這三種操作，最后一組中的卷積層和池化層之間設有相應的批歸一化BN和使用ReLU函數進行激活變換這兩種操作；

(3b)設置各組參數：將深度卷積神經網絡按照時間、圖像高度、圖像寬度這三個維度排列，第一組卷積層的卷積核大小為2×4×4個像素，擴張系數為1,3,3，卷積核數量是128個；后三組卷積層的卷積核大小均為2×3×3個像素，擴張系數分別為2,2,2、4,2,2、8,1,1，卷積核數量分別為256個、512個、10個；四組池化層的核窗口大小均為1×2×2個像素；

(3c)將最后一組結構中的池化層連接至一個softmax分類器，得到一個空-時聯合卷積網絡；

(4)將訓練序列樣本集輸入到空-時聯合卷積網絡進行訓練，得到訓練好的空-時聯合卷積網絡；

(5)生成測試序列樣本集：

(5a)圍繞原始測試樣本集中每幅SAR圖像的中心，將每幅SAR圖像裁剪為60×60個像素,得到裁剪后的測試樣本集；

(5b)將裁剪后的測試樣本集，按每15幅SAR圖像分為一組，并使用滑窗法，生成包含3063組序列的測試序列樣本集；

(6)將生成的測試序列樣本集，輸入訓練好的空-時聯合卷積網絡進行測試，得到網絡輸出的分類結果。

2.根據權利要求1所述的方法，其中所述(2b)的實現如下：

(2b1)將裁剪后的樣本集所有SAR圖像排成一行，得到樣本集總序列；

(2b2)使用長度為15幅SAR圖像，寬度為1幅SAR圖像的矩形滑窗，以1幅SAR圖像的步長在樣本集總序列上滑動，取出滑窗內的所有SAR圖像序列，構成混合序列樣本集；

(2b3)刪去混合序列樣本集中跨越兩類不同標簽的序列樣本，得到生成的序列樣本集，該序列樣本的標簽與裁剪后樣本集的標簽一一對應。

3.根據權利要求1所述的方法，其中(3a)中的3D擴張卷積層，采用3D卷積核，即在時間、圖像高度、圖像寬度三維進行卷積操作，且該卷積核是以擴張系數給小卷積核中每對相鄰元素間填充零元素得到的，其生成的特征圖按時間維度排列。

4.根據權利要求1所述的方法，其中(3a)中的3D池化層，采用3D最大值進行池化，即在輸入三維特征圖上滑動3D池化核，選取核內最大值作為輸出。

5.根據權利要求1所述的方法，其中(3c)所述的將最后一組結構中的池化層連接至一個softmax分類器，是采用致密連接，即令最后一層的卷積核數量等于分類標簽個數，卷積核大小等于輸入特征圖的大小，得到長度與分類標簽個數相等的輸出向量，將該向量輸入到softmax分類器。

6.根據權利要求1所述的方法，其中(4)所述的將訓練序列樣本集輸入到空-時聯合卷積網絡進行訓練，是按照前向傳播-誤差反向傳播的方法進行訓練，實現如下：

(4a)初始化網絡中各卷積層的卷積核權值和偏置，輸入特征圖經3D擴張卷積并激活，將其產生的輸出特征圖作為3D池化層的輸入，將3D池化層的輸出作為下一組3D擴張卷積層的輸入特征圖，依次逐層沿網絡結構進行計算至最后一組池化層的輸出；取最后一組池化層輸出的每個特征向量的最后一個元素，組成長度為K的輸出向量，通過softmax分類器，得到網絡輸出；

(4b)將交叉熵函數定義為網絡的損失函數，具體形式為：

其中，w為網絡中所有可訓練的參數，y_k是網絡輸出，t_k是樣本的真實標簽；

(4c)沿損失函數L(w)的負梯度方向對權值w進行更新，更新公式為：

w^new＝w^old-ηΔL(w^old)

其中，w^new是更新得到的權值，w^old是更新前的權值，η是學習率，ΔL(w^old)是損失函數L(w)對w^old的偏導，即

(4d)使用更新后的權值w^new再次進行(4a)-(4c)的計算過程，如此進行多次迭代更新，當損失函數L(w)穩定收斂后，停止迭代，得到權值w的最優值，即得到訓練好的網絡。