一种基于复数胶囊网络的海上目标识别方法及系统技术方案

本发明专利技术公开了一种基于复数胶囊网络的海上目标识别方法，其包括：基于预设的虚部学习模块获取输入图片的复数信息，后经过预设的复值密集卷积子网络、编码模块、动态路由模块以及分类模块以识别原始输入图片中的海上目标即舰艇类别。本发明专利技术还公开了一种基于复数胶囊网络的海上目标识别系统。本发明专利技术基于神经网络与图像的海上目标识别方法是雷达探测目标的辅助手段，其解决了雷达无法精确探测采用了隐形涂料的舰艇的问题。相较于实值网络和向量胶囊网络，本发明专利技术构建了网络层与层之间传递复数信息的密集型胶囊网络来进行海上目标识别，识别方法可靠性高、稳定性好。稳定性好。

【技术实现步骤摘要】
一种基于复数胶囊网络的海上目标识别方法及系统


[0001]本专利技术属于目标识别领域，特别地，涉及一种基于复数胶囊网络的海上目标识别方法及系统。

技术介绍

[0002]近年来，国际局势的变化对国防系统提出了新的挑战。为了海洋主权能不受侵犯，也为保护己方海洋领土以及进行海上交通运输、救生、医疗、侦察等任务，我国已研发制作了多个种类的军事舰艇。为了充分发挥出舰艇的能力，需要其具有检测出海上其他舰艇并进行目标识别的功能。这种海上目标识别能力十分重要。
[0003]当下，最常见也被使用的最多的海上识别方法是利用雷达技术来对海上的船只进行检测和扫描，从而识别出船只的种类并获得一些有用信息。利用雷达的目标识别方法是一种传统又经典的方法。但时代在进步，科技在发展，现在的舰艇外部大多具有隐形涂层，这种涂层可以削弱雷达的探测能力。于是，出现了基于图像的海上目标识别方法来作为雷达探测的辅助手段，这种方法在舰艇的检测与识别上也达到了令人满意的效果，所以它日益成为现代海战中获取信息的重要手段。
[0004]目前最主流的海上识别方法大多是借助深度学习中的卷积神经网络来完成的。但是在卷积神经网络中，神经元之间传递的标量不具有方向属性，所以无法体现底层特征与高层特征之间的空间关系。另外，卷积神经网络中的池化层使得网络具有不变性而不具备等变性，这会丢失大量有价值的信息，可能会造成对图像进行目标识别时的结果不够精确的问题。

技术实现思路

[0005]针对上述现有所存在的不足，本专利技术所要解决的技术问题之一是提供一种基于复数胶囊网络的海上目标识别方法，以能够精确的识别目标。
[0006]针对上述现有所存在的不足，本专利技术所要解决的技术问题之一是提供一种基于复数胶囊网络的海上目标识别系统，以能够精确的识别目标。
[0007]为了实现上述专利技术目的，本专利技术提出的一种基于复数胶囊网络的海上目标识别方法，该方法首先利用预设的残差块学习到输入的原始海上目标图像的虚部信息，然后利用复值密集卷积子网络对获得的复数输入进行特征提取，得到复值特征图，随后通过编码单元，将获得的复值特征图封装成复值初级胶囊，在复值初级胶囊之间进行动态路由算法，得到代表五种舰艇类别的复值数字胶囊。由于胶囊的模长代表实体存在的概率，所以最后根据复值数字胶囊的L2范数，选出模长最长的数字胶囊，该胶囊代表的舰艇类型即为原始输入海上目标图像中实际存在的舰艇类型，完成目标识别。
[0008]为了实现上述专利技术目的，本专利技术第一方面提供了以下技术方案：
[0009]一种基于复数胶囊网络的海上目标识别方法，包括以下步骤：
[0010]步骤1：学习虚部：基于残差块，输入待识别的原始海上目标图像，获得复数输出；
[0011]步骤2：特征提取：基于预设的密集卷积子网络，对步骤1从残差块中输出的复数利用复值滤波矩阵进行复数卷积，提取特征并输出；
[0012]步骤3：编码：基于编码单元，以步骤2输出的特征为输入进行编码，获得复值初级胶囊并输出；
[0013]步骤4：动态路由计算：融合步骤3的复值初级胶囊的实部信息和虚部信息，最终得到复值数字胶囊层；
[0014]步骤5：分类：计算步骤4的各个复值数字胶囊模长，模长最长的胶囊所代表的舰艇类别即为输入的原始海上目标图像中实际存在的舰艇识别结果。
[0015]在本专利技术的一个优选实施例中，步骤1和2中的所述复数为复数向量。
[0016]在本专利技术的一个优选实施例中，步骤2输出的特征是以特征图的形式输出。
[0017]在本专利技术的一个优选实施例中，步骤3中的复值初级胶囊为编码成为8D的复值向量。
[0018]在本专利技术的一个优选实施例中，步骤3中，所有的复值初级胶囊构成整个复数胶囊网络的复值初级胶囊层，相同复数卷积核的输出将被编码到相同分量的复值初级胶囊中。
[0019]在本专利技术的一个优选实施例中，步骤4中，对于同一个复值初级胶囊的实部和虚部部分，使用同样的变换矩阵来融合复值初级胶囊的实部和虚部信息构成16D的复值数字胶囊，最终得到复值数字胶囊层。
[0020]在本专利技术的一个优选实施例中，步骤5中，海上目标识别模型是通过对步骤4的复值数字胶囊进行训练得到的。
[0021]在本专利技术的一个优选实施例中，所述海上目标识别模型是通过对步骤4的复数胶囊网络进行训练得到的，具体是：使用原始的向量CapsNet为基线网络，并对复数胶囊网络的超参数进行了设置，设置包括：
[0022]以Adam为优化器，设置初始学习率为0.001，衰减率为0.9，每个批次的大小为128张图片；
[0023]未使用额外的数据增强方案，实验重复次数为3次；
[0024]动态路由模块的迭代次数为3次；
[0025]复值密集卷积子网络在初始阶段每个卷积层包含16个复值过滤器即32个实值过滤器。
[0026]在本专利技术的一个优选实施例中，步骤5中，所述计算步骤4的各个复值数字胶囊模长具体是计算各个复值数字胶囊的L2范数，获得复值数字胶囊的模长，进行one
‑
hot编码，得到1*5维输出向量。
[0027]在本专利技术的一个优选实施例中，将1*5维输出向量与预设标签进行比较，利用损失函数反向更新网络参数，返回步骤1。
[0028]在本专利技术的一个优选实施例中，所述利用损失函数反向更新网络参数具体是利用单个复值数字胶囊和自定义的假阳类、假阴类的惩罚系数，构成间隔损失函数来优化特征，根据损失更新网络参数。
[0029]本专利技术第二方面的一种基于复数胶囊网络的海上目标识别系统，包括以下部分：
[0030]生成复数输入模块，该生成复数输入模块由残差块构成，输入待识别的原始海上目标图像，获得复数输出；
[0031]特征提取模块：由密集卷积子网络构成，实现对从原始海上目标图像中输入的复值向量进行复数卷积，从而提取特征形成特征图输出；
[0032]编码模块：接收所述特征提取模块输出的特征图作为输入信息，编码成为8D的复值向量即复值初级胶囊，构成整个复数胶囊网络的复值初级胶囊层；相同复数卷积核的输出将被编码到相同分量的复值初级胶囊中；
[0033]动态路由计算模块：融合复值初级胶囊的实部信息和虚部信息，进行动态路由，最终得到复值数字胶囊层；对于同一个复值初级胶囊的实部和虚部部分，使用同样的变换矩阵来融合复值初级胶囊的实部和虚部信息构成16D的复值数字胶囊；
[0034]分类模块：计算各个复值数字胶囊的L2范数，获得复值数字胶囊的模长，进行one
‑
hot编码，得到1*5维输出向量。由于胶囊的长度代表实例存在的概率，模长最长的胶囊所代表的舰艇类别即为输入的原始海上目标图像中实际存在的舰艇识别结果；
[0035]损失函数训练模块：利用单个复值数字胶囊和自定义的假阳类、假阴类的惩罚系数，构成间隔损失函数来优化特征，根据损失更新网络参数。
[0036]与现有技术相比，本专利技术的有益效果：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于复数胶囊网络的海上目标识别方法，其特征在于，包括以下步骤：步骤1：学习虚部：基于残差块，输入待识别的原始海上目标图像，获得复数输出；步骤2：特征提取：基于预设的密集卷积子网络，对步骤1从残差块中输出的复数利用复值滤波矩阵进行复数卷积，提取特征并输出；步骤3：编码：基于编码单元，以步骤2输出的特征为输入进行编码，获得复值初级胶囊并输出；步骤4：动态路由计算：融合步骤3的复值初级胶囊的实部信息和虚部信息，最终得到复值数字胶囊层；步骤5：分类：计算步骤4的各个复值数字胶囊模长，模长最长的胶囊所代表的舰艇类别即为输入的原始海上目标图像中实际存在的舰艇识别结果。2.如权利要求1所述的一种基于复数胶囊网络的海上目标识别方法，其特征在于，步骤1和2中的所述复数为复数向量。3.如权利要求1所述的一种基于复数胶囊网络的海上目标识别方法，其特征在于，步骤2输出的特征是以特征图的形式输出。4.如权利要求1所述的一种基于复数胶囊网络的海上目标识别方法，其特征在于，步骤3中的复值初级胶囊为编码成为8D的复值向量。5.如权利要求1所述的一种基于复数胶囊网络的海上目标识别方法，其特征在于，步骤3中，所有的复值初级胶囊构成整个复数胶囊网络的复值初级胶囊层，相同复数卷积核的输出将被编码到相同分量的复值初级胶囊中。6.如权利要求1所述的一种基于复数胶囊网络的海上目标识别方法，其特征在于，步骤4中，对于同一个复值初级胶囊的实部和虚部部分，使用同样的变换矩阵来融合复值初级胶囊的实部和虚部信息构成16D的复值数字胶囊，最终得到复值数字胶囊层。7.如权利要求1所述的一种基于复数胶囊网络的海上目标识别方法，其特征在于，步骤5中，海上目标识别模型是通过对步骤4的复值数字胶囊进行训练得到的。8.如权利要求1所述的一种基于复数胶囊网络的海上目标识别方法，其特征在于，所述海上目标识别模型是通过对步骤4的复数胶囊网络进行训练得到的，具体是：使用原始的向量CapsNet为基线网络，并对复数胶囊网络的超参数进行了设置，设置包括：以Adam为优化器，设置初始学习率为0.001，衰减率为0.9，每个批次的大小为128张图片；未使用额外的数据增强方案，实验重复次...

【专利技术属性】
技术研发人员：成新明，夏利民，丁肖月，贺建飚，
申请(专利权)人：中南大学，
类型：发明
国别省市：