[發明專利]一種基于深度卷積生成對抗網絡的SAR圖像數據增強方法

在審

• 申請號: 202011412417.0
• 申請日: 2020-12-04
• 公開（公告）號: CN112613353A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 石愛業;姚雨;陸定一;馬浩洋;王越
• 申請（專利權）人: 河海大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/42;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

本發明公布了一種基于深度卷積生成對抗網絡的SAR圖像數據增強方法，包括以下步驟：步驟1：收集原始SAR圖像數據集，并將圖像做初步的篩選；步驟2：將步驟1篩選后得到的SAR圖像的目標物體部分進行裁剪；步驟3：使用典型的深度卷積生成對抗網絡對裁剪出的目標物體圖像進行迭代訓練；步驟4：用訓練好的模型去生成目標圖像，并有選擇性地插入到原裁剪后的背景圖像中，得到新的完整的SAR圖像。本發明有效解決了SAR圖像目標檢測問題中訓練數據缺乏的問題，還降低了網絡的規模。

技術領域

本發明設計基于深度卷積生成對抗網絡的SAR圖像數據增強方法，屬于計算機視覺和雷達圖像處理領域。

背景技術

隨著各種卷機神經網絡在圖像分類問題中取得了良好的效果，深度學習的熱度迎來了爆發式的增長，在目標檢測領域也取得了遠超傳統方法的準確度。然而，各種目標檢測的深度學習算法都是從大量的數據中尋找規律，因此需要大量的訓練數據才能達到令人滿意的檢測效果。多數的論文都在分享最新的研究成果，其中能夠提供訓練數據的卻很少，尤其是對于SAR圖像來說，公開的數據集更是少之又少。當數據不足時，檢測模型就可能會出現泛化能力會降低、檢測效果差等問題。由此可見，數據增強對于檢測模型的重要性。

傳統的圖像類型數據增強方法是指利用平移、伸縮、旋轉、裁剪、顏色等變換，人工增大訓練集樣本的個數，從而獲得更加充足的訓練數據，使模型訓練效果更好。這類方法都需要利用一些經驗對圖像進行變換操作，變換后的圖像還具有原圖像的基本特征，對于提高目標檢測準確率的效果有限。

近年來，出現了利用深度卷積生成對抗網絡(DCGAN)來進行圖像數據增強的方法。這些方法通常是通過學習數據集中整張圖像的分布規律，再經過多次訓練后，生成和已知圖像分布類似的圖像。這種方法很好地提高了樣本的多樣性和模型的抗干擾能力。但是在目標檢測問題中，我們往往關注的是目標物體的特征和位置，對于圖片的背景部分并不做過多要求。因此，在目標檢測任務中，用上述方法就會加大網絡的規模，增加訓練的時間和空間成本。

發明內容

本發明所要解決的技術問題是提供一種基于深度卷積生成對抗網絡的SAR圖像數據增強方法，提高了生成數據的質量，降低了網絡的規模和復雜度。

為了實現上述目的，本發明是通過如下的技術方案來實現：

步驟(1)：收集原始SAR圖像數據集，并將圖像做初步的篩選。

SAR圖像數據集的獲取一般可在網上查找，有一些開源的數據集，如美國公開的MSTAR地面靜止目標數據集、中國科學院公開的SAR圖像船舶檢測數據集等。收集到的數據并不一定都適用于下一步的處理，比如數據集中會存在有些圖片中的目標太小或者太大問題。因此要對收集的數據進行篩選，選出符合要求的圖片。

步驟(2)：將步驟1篩選后得到的SAR圖像的目標物體部分進行裁剪；

一張圖片經裁剪后分為兩個部分，一部分是裁剪出的目標物體，另一部分是裁剪后剩余的背景。用于目標檢測的圖片往往包含有多個目標物體，所以裁剪出的目標物體可以有很多個，還要保證每個裁剪出的目標物體部分的大小相同，以便于對這些物體部分進行訓練。

步驟(3)：使用典型的深度卷積生成對抗網絡對目標物體圖像進行迭代訓練。

卷積生成對抗網絡的基本結構圖如圖2所示，主要由生成器G和判別器D組成。生成器G是由1個全連接層和4個反卷積層組成，它的輸入是隨機噪聲，輸出為近似與目標物體的圖片。判別器D的結構和生成器G對稱，由4個卷積層和2個全連接層構成它的輸入為真實目標物體圖片和生成器G生成的圖片，輸出為一維數值，其大小表示判別器D的輸入數據分別的相似性，若分布相同則為1，若分布不同則為0。根據判別器D的輸出來調整生成器G的參數，并調整判別器D自身的參數，以此進行反復訓練，其目標函數為：

其訓練算法流程如下：