[發明專利]一種基于雙路膠囊網絡的SAR目標分類方法

有效

• 申請號: 202010986123.2
• 申請日: 2020-09-18
• 公開（公告）號: CN111967537B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 喻玲娟;倉明杰;胡躍虹;謝曉春;梁苗苗;艾晶
• 申請（專利權）人: 江西理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06V10/774;G06V10/764;G06V10/82
• 代理公司: 溫州知遠專利代理事務所(特殊普通合伙) 33262
• 代理人: 湯時達

本發明涉及一種基于雙路膠囊網絡的SAR目標分類方法，該發明的步驟包括：步驟S1：網絡上支路利用S個卷積層對輸入圖像提取特征F₁，各層卷積核大小均為K₁×K₁，其中，K₁和S為大于1的正整數；網絡下支路利用S個卷積層對輸入圖像提取特征F₂，各層卷積核大小均為K₂×K₂，其中，K₂為大于1的正整數，且K₂≠K₁；步驟S2：網絡上、下支路各采用一個注意力模塊分別對特征F₁和F₂進行增強，得到增強后的特征F₁′和F₂′；步驟S3：網絡上、下支路的特征F₁′和F₂′分別封裝為主膠囊P₁和P₂；步驟S4：P₁和P₂經動態路由分別得到數字膠囊D₁和D₂；步驟S5：數字膠囊D₁和D₂相加得到D，再根據D中每個向量的模值判別輸入圖像所屬類別。

技術領域

本發明涉及雷達信號處理領域，尤其涉及一種基于雙路膠囊網絡的SAR目標分類方法，解決SAR目標分類過程中，因訓練樣本數少而帶來的過擬合問題，以及因目標姿態發生變化而帶來的錯誤分類問題，從而實現在少量訓練樣本以及目標姿態發生變化情況下獲取較高的目標識別率。

背景技術

SAR目標分類是SAR圖像解譯領域的研究熱點之一，在軍事和民用領域都具有非常重要的意義。傳統的SAR目標分類方法主要包括基于模板匹配、基于模型，以及基于機器學習的方法，這些方法的識別精度有限。近年來，隨著深度學習的發展，基于深度學習的SAR目標分類得到了深入的研究，并取得了顯著的成績。

卷積神經網絡是一種典型的深度學習網絡，它能通過提取目標不同層次特征，獲得較高的目標識別率。然而，基于卷積神經網絡的SAR目標分類需要大量的訓練樣本，否則容易出現過擬合問題。針對該問題，一些改進措施和方法被提出。如對數據集進行擴充處理，將卷積神經網絡和一些無監督訓練網絡相結合，以及將大數據集下訓練好的模型進行遷移等等。雖然這些措施和方法能夠有效解決因樣本數少而帶來的過擬合問題，但是卻無法解決因目標姿態發生變化(如平移、旋轉、縮放等)而帶來的錯誤分類問題。

膠囊網絡是一種能夠在小樣本集下提取目標特征且保存目標姿態信息的網絡(Sabour S,Frosst N,Hinton G E.Dynamic Routing between Capsules[C].Advances inNeural Information Processing Systems.California,USA:NIPS,2017:3856-3866.)。將膠囊網絡應用于SAR目標分類，能夠同時解決因樣本數少帶來的過擬合問題和因目標姿態變化帶來的錯誤分類問題。由于膠囊網絡的分類輸出最終取決于數字膠囊中每個向量的模長，因此，若增加一路膠囊網絡以提取輸入圖像的不同特征，則能實現決定目標所屬類別的向量增強。此外，注意力模型是一種通過注意力權重而選擇性地對輸入圖像的部分進行聚焦的模型(Hu J,Shen L,Albanie S,et al.Squeeze-and-Excitation Networks[C].Proceedings of the2018IEEE Conference on Computer Vision and PatternRecognition.Piscataway:IEEE,2018:7132-7141.)。將注意力模塊引入兩路膠囊網絡進行SAR目標分類，將進一步提高目標的正確識別率。

發明內容

本發明目的是提供一種基于雙路膠囊網絡的SAR目標分類方法，能夠在少量訓練樣本和目標姿態變化情況下獲取較高的目標識別率。

為達到上述目的，本發明提供一種基于雙路膠囊網絡的SAR目標分類方法的步驟包括：