基于卷积神经网络及微调的SAR图像分类方法技术

本发明专利技术涉及一种基于卷积神经网络及微调的SAR图像分类方法。本发明专利技术采用的数据集是美国MSTAR数据集在标准采集条件下的10类地面军事车，该数据集已经包含了推荐的训练集和测试集。本发明专利技术首先在ImageNet数据集上预训练ResNet50网络，然后把训练好的ResNet50拿来，固定其前45层参数，而可以只对输出层及接近输出层的若干卷积层训练，即固定低层参数而只训练高层参数。这样能提取数据的有效信息，基础边缘的信息不用重复获取，大大提升了网络训练的效率。为了更加充分的训练网络，采用数据增强预处理的方法。本发明专利技术对SAR图像具有良好的分类效果。

SAR image classification method based on convolutional neural network and fine tuning

【技术实现步骤摘要】
基于卷积神经网络及微调的SAR图像分类方法
本专利技术属于图像处理领域，涉及一种基于卷积神经网络及微调的SAR图像方法。
技术介绍
合成孔径雷达(SyntheticApertureRadar,SAR)是一种微波遥感成像雷达,与光学、红外等雷达相比,它的成像受气候等条件的限制程度小,具有全天时、全天候、多视角和高分辨率等特点，因此被广泛应用于制图学、资源勘探、海洋应用等国民经济各领域。大数据时代的智能方法如计算机视觉技术目前已经取得巨大成功，然而这些先进算法是针对光学图像开发的，并不能直接应用到SAR图像上。另外，由于SAR图像数据集小，样本量不够多的特点，从头开始训练具有几千万参数的大型神经网络是不现实的，因为越大的模型对数据量的要求越大，过拟合无法避免。
技术实现思路
本专利技术针对现有技术的不足，现提出一种基于卷积神经网络及微调的卷积神经网络识别模型实现对SAR图像的分类识别。本专利技术解决技术问题所采取的技术方案为：基于卷积神经网络及微调的SAR图像分类方法，具体如下：步骤(1).数据集的获取及预处理：采用美国MSTAR数据集，MSTAR数据集中的目标是雷达工作在多种不同的俯仰角时，各个目标在方向上面的成像图片。选用的是标准工作条件下采集的包括共10类地面军事车目标。该数据集包含一个推荐的训练集和测试集。将原始的数据集沿目标中心裁剪成100*100的大小，并使用剪切变换、旋转变换、缩放、水平翻转进行数据增强，获取图像数量更多的数据集。步骤(2).确定卷积神经网络模型：选用的卷积神经网络模型为ResNet50卷积神经网络,残差网络更容易优化并且能够通过增加相当的深度来提高准确率。步骤(2.1).预训练：在ImageNet数据集上对卷积神经网络ResNet50进行预训练。步骤(2.2).对卷积神经网络ResNet50进行微调：具体操作是，将深度卷积神经网络ResNet50的前45层固定，这些层的参数不参加训练，只训练输出层以及靠近输出层的卷积层。微调时，采用随机梯度下降进行优化。确定了损失函数以后，目标就是最小化损失函数，对每一个参数求偏导，得到当前一轮的梯度，然后损失函数按梯度的反方向进行更新，不断这样进行迭代更新，得到超参数的全局最优解。步骤(2.3).非线性变换：激活函数采用ReLu函数，定义为：当时，ReLu硬饱和；当时，则不存在不饱和问题。步骤(3).SAR图像分类：卷积神经网络网络ResNet50通过训练得到SAR图像的特征信息，再用softmax分类器将进行分类，通过输出概率得到最终的分类结果；记卷积神经网络ResNet50的最终输出为hi(c)，即样本i的预测结果；通过softmax函数得到网络预测概率pi(c)：m为总类别C中的一类。根据样本的预测结果和真实结果产生的误差，目标函数通过反向传播方法进行卷积神经网络参数学习，根据预测结果和真实标记之间产生的误差，不断向前层传递即反向传播，卷积神经网络参数将不断更新，从而完成卷积神经网络模型训练，最后根据网络预测概率pi(c)实现对SAR图像的结果分类。本专利技术的有益效果：本专利技术方法基于fine-tune思想的深度神经网络，实现对SAR图像的识别分类。该方法选择增加深度的卷积神经网络，可通过GPU加速实现算法的完成。本专利技术方法可以在一定程度上避免发生过拟合，同时也能实现良好的分类效果和实时计算效率。附图说明图1为本专利技术的实现流程图；图2为数据集光学图像和SAR图像的对比；图3为程序运行结果截图。具体实施方式如图1所示，本专利技术具体方法是：步骤(1).数据集的获取及预处理：此次数据集采用的是美国MSTAR数据集，MSTAR数据集中的目标是雷达工作在多种不同的俯仰角时，各个目标在方向上面的成像图片。MSTAR数据集的采集条件分为两类，分别为标准工作条件(StandardOperatingCondition，SOC)和扩展工作条件(ExtendedOperatingCondition，EOC)，本专利技术采用的是标准工作条件下的数据集。标准工作条件下共包括10类地面目，在该数据集中包含一个该计划推荐使用的训练集和测试集。公开的SAR数据集中包含10类不同的地面军事车(装甲车：BMP-2,BRDM-2,BTR-60,BTR-70；坦克：T-62,T-72；火箭发射车：2S1；防空单元：ZSU-234；军用卡车：ZIL-131；推土机：D7)。如图2所示，为各个地面军事车的SAR图像与普通光学图像的对比。具体组成如下所示：类别俯仰角17°的训练集俯仰角15°测试集BMP2233196BTR702331962S1299274BRDM2298274D7299274T62299273T72232196ZSU23/4299274ZIL131299274BTR60256195总计27472426步骤(2).网络模型选取与建模；本专利技术采用了数据预训练加上微调的思想与卷积神经网络模型结合的方法。虽然预训练并非必要，但前提是对于数据量极大的情况，在实际应用中，如果数据量小，采用预训练和微调的方法不但可以加速网络收敛速度，还可以在一定程度上避免过拟合。此次选用的卷积神经网络模型ResNet50,残差网络更容易优化，并且能够通过增加相当的深度来提高准确率。核心是解决了增加深度带来的副作用(退化问题)，这样能够通过单纯地增加网络深度，来提高网络性能。步骤(2.1).预训练；预训练区别于常规训练方法。常规训练方法为首先搭建一个卷积神经网络模型，随机初始化参数，然后开始训练网络，不断调整直到网络的损失越来越小。在训练的过程中，初始化的参数会不断变化，直到达到所需识别结果。所谓预训练是指不再随机初始化的参数开始训练网络，而是从已有训练好的模型参数开始训练网络。在本专利技术中，即把在ImageNet数据集上训练好的模型ResNet50拿来，用在新数据集的训练，也就是针对本专利技术所说的MSTAR数据集。步骤(2.3).对卷积神经网络模型ResNet50进行微调；微调是迁移学习的一种方式。迁移学习，顾名思义就是把已训练好的模型参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务都是存在相关性的，所以通过迁移学习可以将已经学到的模型参数(也可理解为模型学到的知识)通过某种方式来分享给新模型从本文档来自技高网...

【技术保护点】
1.基于卷积神经网络及微调的SAR图像分类方法，其特征在于该方法具体如下：/n步骤(1).数据集的获取及预处理：/n采用美国MSTAR数据集，MSTAR数据集中的目标是雷达工作在多种不同的俯仰角时，各个目标在方向上面的成像图片；选用的是标准工作条件下采集的共10类地面军事车目标；该数据集包含一个推荐的训练集和测试集；/n将原始的数据集沿目标中心裁剪成100*100的大小，并使用剪切变换、旋转变换、缩放、水平翻转进行数据增强，获取图像数量更多的数据集；/n步骤(2).确定卷积神经网络模型：/n选用的卷积神经网络模型为ResNet50卷积神经网络,残差网络更容易优化并且能够通过增加相当的深度来提高准确率；/n步骤(2.1).预训练：/n在ImageNet数据集上对卷积神经网络ResNet50进行预训练；/n步骤(2.2).对卷积神经网络ResNet50进行微调：/n具体操作是，将深度卷积神经网络ResNet50的前45层固定，这些层的参数不参加训练，只训练输出层以及靠近输出层的卷积层；/n微调时，采用随机梯度下降进行优化；确定了损失函数以后，目标就是最小化损失函数，对每一个参数求偏导，得到当前一轮的梯度，然后损失函数按梯度的反方向进行更新，不断这样进行迭代更新，得到超参数的全局最优解，/n步骤(2.3).非线性变换：/n激活函数采用ReLu函数，定义为：...

【技术特征摘要】
1.基于卷积神经网络及微调的SAR图像分类方法，其特征在于该方法具体如下：
步骤(1).数据集的获取及预处理：
采用美国MSTAR数据集，MSTAR数据集中的目标是雷达工作在多种不同的俯仰角时，各个目标在方向上面的成像图片；选用的是标准工作条件下采集的共10类地面军事车目标；该数据集包含一个推荐的训练集和测试集；
将原始的数据集沿目标中心裁剪成100*100的大小，并使用剪切变换、旋转变换、缩放、水平翻转进行数据增强，获取图像数量更多的数据集；
步骤(2).确定卷积神经网络模型：
选用的卷积神经网络模型为ResNet50卷积神经网络,残差网络更容易优化并且能够通过增加相当的深度来提高准确率；
步骤(2.1).预训练：
在ImageNet数据集上对卷积神经网络ResNet50进行预训练；
步骤(2.2).对卷积神经网络ResNet50进行微调：
具体操作是，将深度卷积神经网络ResNet50的前45层固定，这些层的参数不参加训练，只训练输出层以及靠近输出层的卷积层；
微调时，采用随机梯度下降进行优化；确定了损失函数以后，目标就是最小化损失函数，对每一个参数求偏导，得到当前一轮的梯度，然后损失函数按梯度的反方向进行更新，不断这样进...

【专利技术属性】
技术研发人员：文成林，王琪琪，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33