[发明专利]一种基于加载预训练卷积网络的自动目标识别方法

说明书

技术领域

本发明涉及目标识别领域，尤其是涉及了一种基于加载预训练卷积网络的自动目标识别方法。

背景技术

自动目标识别方法，是一种利用人工智能技术实现对机器传感器获得的目标特征进行分类和智能识别的技术，是模式识别的延伸发展，也是近年来的研究热点之一。作为武器装备智能化的核心技术之一，自动目标识别在军事作战领域中应用极为广泛，为信息化战争中的目标探测、侦察监视和精确制导提供了有力支持。但随着民用科技的发展，这些技术也很好地在日常生活中为人们服务。例如交通设施中，可以自动识别特定车道的车辆是否符合要求；在动物繁殖领域中，可以自动监控广阔地带动物物种的出现与频率；在机器人导航中，可以自动判断传感器接收的信号是否符合安全行驶；在现代医疗诊断中，可以提前判别病患体中肿状物的类型，进而提高治愈率。如上等等，都是具有极大应用价值和开发空间。

传感器接收的图像本身的噪声难以剔除，以及新类型目标的先验知识缺失，都会给目标的自动识别带来难度。但除了以上所述，另外还存在样本数据少、训练速度慢等困难需要克服，因此如何在有限数据中提炼出可靠的分类算法或训练可靠的分类器，是需要解决的问题。

本发明提出了一种基于卷积网络提取特征进行传统分类的新框架。使用已训练好的卷积网络框架进行模块拆分，在保留权重的前提下进行根据目标识别任务进行重构，同时保留原全连接层的最后一层作为提取的特征，贴上响应的标签后，送往基于高斯核的支持向量机进行训练测试。本发明可以处理只有小样本数据库的目标形态识别，提供一个网络迁移框架进行权重的保留与微调，同时提高了目标识别任务的训练速度和可迁移性。

发明内容

针对解决在小样本数据量中进行目标识别任务的问题，本发明的目的在于提供一种基于加载预训练卷积网络的自动目标识别方法，提出了一种基于卷积网络提取特征进行传统分类的新框架。

为解决上述问题，本发明提供一种基于加载预训练卷积网络的自动目标识别方法，其主要内容包括：

(一)网络重构；

(二)网络特征合成

(三)分类器转换；

(四)网络模型微调。

其中，所述的网络重构，包括网络结构拆分重构和权重预加载。

所述的网络结构拆分重构，对现有典型的用于图像分类的学习网络(如VGG19，由若干个卷积模块组成)进行功能和架构拆分，再根据自动目标识别所需的功能层进行重构，具体为：

(1)将一般网络视作“输入层、卷积层(多层)、全连接层和输出层”；

(2)选取具有前向传播能力的结构层进行重构；

(3)去掉最后一层输出层；

(4)根据目标识别任务的样本数量进行卷积网络的层数压缩；

(5)全连接层中保留倒数第一层作为特征选取。

所述的层数压缩，在原有卷积网络造成冗长训练时，截取完整的卷积功能模块，组成更少层次的卷积网络，并保留最终的输出层。

所述的权重预加载，在进行网络结构拆分重构时，原有已训练好的模型不进行清零操作，即不进行初始化操作，所得权重与该卷积网络最后一次训练所改变的权重值完全保持一致。

所述的网络特征合成，在倒数第一层的全连接层中保留神经元的权重与偏置，与新样本中的输入数据相乘，得到新的数据即为合成的网络特征，具有可分性。

所述的分类器转换，包括更改标签设定和分类器设定。

所述的更改标签设定，通过两个步骤完成从卷积网络特征向传统分类器特征归类的改变：

(1)去掉原卷积网络的概率计算模块；

(2)将原有的分类计算中的标签，重新按顺序贴到相应类别中，即按照原始标签重新划分数据。

所述的分类器设定，使用基于高斯核的支持向量机作为分类器，使用小样本对惩罚系数C和核函数参量G分别从-8到8(步长为2)进行网格搜索，确定最优的C和G后，对全部数据进行一次训练，得到的结果即为分类结果。

所述的网络模型微调，基于不同的分类识别任务，其权重迁移过程中不具有全部适应性，因此在输出到分类特征前，使用反向传播算法对学习到的特征返回到输入图像层进行对比，然后再通过前向传播到最后分类特征进行调整，这样一次循环完成即为一个模型微调，直到分类结果进行收敛后，微调停止。

附图说明

图1是本发明一种基于加载预训练卷积网络的自动目标识别方法的系统流程图。

图2是本发明一种基于加载预训练卷积网络的自动目标识别方法的效果图。

具体实施方式