[發明專利]一種基于快速全卷積神經網絡的SAR目標分類方法

有效

• 申請號: 202010587777.8
• 申請日: 2020-06-24
• 公開（公告）號: CN111814608B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 劉聆;王芹
• 申請（專利權）人: 長沙一揚電子科技有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V20/10;G06V10/40;G06V10/774;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 長沙大珂知識產權代理事務所(普通合伙) 43236
• 代理人: 伍志祥

本發明提供一種基于快速全卷積神經網絡的SAR目標分類方法，包括以下步驟：S1：對MASTAR數據集進行擴充S2：搭建步進≥2的特殊卷積層S3：搭建步進為2的全卷積神經網絡S4：搭建步進為3的全卷積神經網絡S5：搭建步進為4的全卷積神經網絡S6：搭建快速全卷積神經網絡根據步驟S3、步驟S4和步驟S5，采用3層卷積層進行特征提取、3層特殊卷積層進行下采樣和2層全連接層分類的搭建。通過引入特殊卷積層進行下采樣，可以大幅度提高卷積神經網絡的訓練效率，大大的改善現有SAR技術識別分類方面的困難，提高SAR圖像的識別效率和準確度。

技術領域

本發明屬于電子信息技術領域，具體地說，本發明涉及一種快速全卷積神經網絡的SAR目標分類方法。

背景技術

隨著合成孔徑雷達(SAR)技術的成熟，人們能夠獲取的SAR圖像數據越來越多。然而，SAR目標的解譯一直是一個世界性難題，至今沒有得到很好的解決。如今，SAR解譯已經形成了一套比較成熟的體系，但是，仍然存在以下幾個問題：1、需要大量的先驗知識；2、識別的準確度不穩定；3、當應用場景特別大時，計算量龐大。近年來，隨著機器學習和人工智能的快速發展，很多學者開始考慮利用卷積神經網絡(CNN)來對SAR目標進行分類識別。但是，現有的SAR圖像數據遠遠不能滿足CNN的訓練需求，與此同時，訓練CNN模型需要大量的時間也制約了該技術的發展。

針對于傳統CNN網絡架構訓練時間長的問題，快速全卷積神經網絡(faster ACN)在保證識別準確度不明顯下降的情況下能夠減少大量的訓練時間。通常，CNN模型一般由卷積層、池化層、全連接層等組成。卷積層負責特征提取；池化層負責下采樣；全連接層負責最后的分類計算。這種固定的架構模式決定了CNN需要大量的訓練數據是訓練時間。鑒于此，本發明提出來一種快速全卷積神經網絡(faster ACN)SAR目標分類方法。該方法的優勢在于能夠減少大量的模型訓練時間，同時保持較高的識別準確度。

發明內容

針對現有技術存在的不足，本發明目的是提供一種基于快速全卷積神經網絡(faster ACN)SAR目標分類方法。

為了實現上述目的，本發明的技術解決方案包含以下步驟：

S1：對MASTAR數據集進行擴充

針對現SAR數據訓練樣本不足的問題，本項操作采用圖像翻轉、縮放、加噪聲、裁剪、移動等方式對現有MASTAR數據集進行擴充來滿足訓練需求；

S2：搭建步進≥2的特殊卷積層

傳統卷積神經網絡采用池化的方式進行下采樣，現有的池化方式有最大值池化、最小值池化和平均值池化。本發明采用步進≥2的卷積層代替傳統的池化層進行下采樣，采用該方式既能實現下采樣的目的，同時又可以對SAR圖像數據進一步特征提取，在提高訓練速度的同時，又可以保證整個網絡的識別準確度。為了減小步進擴大帶來的信息損失，本發明同時擴大特殊卷積層核的大小，通過擴大感受野的形式保證信息利用最大化。

S3：搭建步進為2的全卷積神經網絡(ACN)

針對所述步驟S1得到的MASTAR數據集和所述步驟S2所建立的特殊卷積層，本發明先構建步進為2的全卷積神經網絡。該網絡采用步進為2，卷積核大小為2×2的卷積層進行下采樣。特征提取的卷積層采用步進為1，卷積核大小為3×3，以此搭建一個全卷積層的網絡。該網絡在識別準確度上要優于傳統的卷進神經網絡。

S4：搭建步進為3的全卷積神經網絡(ACN)

針對所述步驟S3搭建的全卷積神經網絡，由于采用的步進和傳統池化層的步進相當，同時2×2卷積層帶來的參數訓練使得整個網絡的訓練速度有所下降。為了提高訓練效率，本發明擴大了特殊卷積層的步進，采用步進為3的卷積層進行下采樣，同時將卷積核的大小調整為3×3，以此來優化訓練的效果。

S5：搭建步進為4的全卷積神經網絡(ACN)