[發(fā)明專利]一種基于融合卷積神經網絡的SAR圖像目標檢測方法

在審

• 申請?zhí)枺?/td>: 202011493225.7
• 申請日: 2020-12-17
• 公開（公告）號: CN112633112A
• 公開（公告）日: 2021-04-09
• 發(fā)明（設計）人: 金國棟;李建波;譚力寧;侯笑晗;蘇娟
• 申請（專利權）人: 中國人民解放軍火箭軍工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京欣鼎專利代理事務所(普通合伙) 11834
• 代理人: 王陽虹

1.一種基于融合卷積神經網絡的SAR圖像目標檢測方法，其特征在于，使檢測模型更好收斂，利用相對完備的分類數據集訓練分類模型，再利用該模型對切片選擇模型和檢測模型作參數初始化，具體步驟如下：

(1)基于現有分類數據設計卷積神經網絡分類模型；

(1a)搭建卷積神經網絡；

(1b)設置卷積神經網絡參數；

(2)設置步驟(1)中模型輸入數據大小；

(3)擴充檢測數據；

(3a)對新添加的擴充樣本進行的尺寸調整，使目標樣本集與擴充數據集中目標大小大致相當；

(3b)保持目標樣本與擴充樣本數據量比為1:2；

(4)通過切片選擇模型獲取大量目標切片以及通過檢測模型進行判定和尺寸調整；

(5)完成切片選擇模型的學習；

(6)在最后卷積層獲取輸入圖像對應的卷積特征圖，根據該模型的映射關系計算所有切片在卷積特征圖中對應的特征趨于，并對所有切片特征執(zhí)行ROI池化操作，將統(tǒng)一尺寸的特征圖輸入分類判定函數和尺寸調整函數；

(7)通過循環(huán)訓練法使兩個模型共享卷積層特征。

2.根據權利要求1所述的一種基于融合卷積神經網絡的SAR圖像目標檢測方法，其特征在于，步驟(1a)中的所述卷積神經網絡由3個卷積層、2個最大池化層、2個全連接層、柔性最大值函數以及損失函數構成。

3.根據權利要求1所述的一種基于融合卷積神經網絡的SAR圖像目標檢測方法，其特征在于，步驟(1b)中的所述設置卷積神經網絡參數如下：第一個卷積層的卷積核個數為64，尺寸為11*11，滑動步幅為2個像素；第二個卷積層個數的為128，尺寸為7*7，滑動步幅為1個像素；第三個卷積層的卷積核個數為256，尺寸為3*3，滑動步幅為1個像素；兩個最大池化層的滑動窗大小為3，滑動步長為2；兩個全連接層的維度分別為256、3；柔性最大值函數以及負對數損失函數位于模型最后。

4.根據權利要求3所述的一種基于融合卷積神經網絡的SAR圖像目標檢測方法，其特征在于，所述模型中全部卷積層以及第一個全連接層均使用非線性激活函數和批規(guī)范化操作。

5.根據權利要求1所述的一種基于融合卷積神經網絡的SAR圖像目標檢測方法，其特征在于，步驟(2)中的數據大小設置為128*128*128。

6.根據權利要求1所述的一種基于融合卷積神經網絡的SAR圖像目標檢測方法，其特征在于，步驟(4)中的所述切片選擇模型的構建步驟如下：

卷積層與參數初始化模型保持一致；

將參數初始化模型中的第一個全連接層替換為卷積核尺寸為3*3，滑動步幅為1的卷積層；

將參數初始化模型中的第二全連接層用兩個并聯的卷積層替換。

7.根據權利要求1所述的一種基于融合卷積神經網絡的SAR圖像目標檢測方法，其特征在于，步驟(4)中的所述檢測模型的構建步驟如下：

參數初始化模型中的全部卷積層保持不變；

在最后一個卷積層與第一個全連接層之間加入Rol Pooling層；

用兩個并聯的全連接層替換分類模型中最后一個全連接層。