[发明专利]基于密集卷积神经网络的遥感飞机识别方法

说明书

发明提出一种基于密集卷积神经网络的联合监督识别方法，利用密集卷积网络结构的特征重用，密集连接等优势，产生高度参数化的高效率模型。并且改进损失函数，将原有的softmax损失函数改为使用softmax损失和中心损失的联合监督，通过联合监督，不仅扩大了不同类之间特征差异，而且减少了同类别的类内特征变化。从而解决飞机识别时遇到遮挡、噪声、模糊情况识别率低的问题。

技术领域：

本文发明涉及遥感飞机图像的飞机机型识别技术。是一种基于密集卷积神经网络的联合监督识别方法。

背景技术：

遥感飞机目标的识别无论在民用还是军用领域都有巨大研究意义，可实现飞机精确定位识别，用来监控民用飞机以及精确军事打击。但是遥感图像存在信息量大，图像不清晰且受环境因素影响较大的问题，卷积神经网络作为解决这一问题的方法引起广泛关注，它会经过不断训练调整权重参数自动提取图像中的感兴趣特征，从而实现精确的遥感飞机识别。

目前飞机目标种类繁多，数据量巨大，且采集的图像受环境、气象等条件干扰较大，因此研究面向实际应用的飞机识别方法是必要的。传统飞机识别算法主要有模板匹配和支持向量机。早期模板匹配算法原理是计算模板图像与目标图像之间的相似性实现目标识别，其识别准确率较高，但是计算量较大，对于遮挡、模糊、旋转等异常情况的鲁棒性较差。后来随着机器学习的发展提出支持向量机算法，其识别准确率有一定提升，且鲁棒性较模板匹配更优，但是支持向量机的核函数、带宽等很难确定。近年来卷积神经网络(CNN)因其卓越的性能已成为机器视觉领域领头羊，能够经过多层卷积网络以及反向传播后提取出需要的特征再进行飞机的识别。

基于此，本发明提出一种基于密集卷积神经网络的联合监督识别方法，利用密集卷积网络结构的特征重用，密集连接等优势，产生高度参数化的高效率模型。损失函数使用softmax损失和中心损失的联合监督，通过联合监督，不仅扩大了不同类之间特征差异，而且减少了同类别的类内特征变化。从而解决飞机识别时遇到遮挡、噪声、模糊情况识别率低的问题。

发明内容：

如今使用深度学习方法实现对遥感飞机识别的成为飞机识别研究热点。大部分基于深度学习飞机识别算法的损失函数为softmax损失函数，针对受到天气、噪声、模糊等异常影响的遥感飞机图像，传统softmax函数的缺点主要有三个方面：一是从聚类的角度来讲，其提取到的特征在很多情况下类内间距要大于类间间距，不利于特征区分；二占据的面积大，我们期望每类占据较小的部分，因为飞机类别很多，期望模型能识别出在训练数据标签中没有的分类；三是softmax会使得模型过度自信,分类结果基本非1即0。因此为解决以上问题本发明采取基于密集卷积神经网络的联合监督遥感飞机识别方法，该方法主要包括以下步骤：

步骤一：将密集卷积神经网络结构在自建遥感飞机数据库上训练，训练样本为五类遥感飞机图像，并且经过旋转、加噪声、加不同程度遮挡以及不同像素运动模糊的预处理。密集卷积神经网络结构如图2所示，网络第一层卷积层；之后是最大池化层P1；随后是网络的核心部分密集连接的3个密集块D1、D2、D3，每个密集块中包含两个卷积层；且密集块之间使用过渡层T1、T2来降低输出维数；再是池化层P2以及全连接层F；最后使用联合监督方法输出识别结果。

步骤二：初始化参数设置，网络训练中学习率lr设置在0.009～0.02范围内，batchsize设置为ξ，也就是每训练ξ个样本就调整一次权值。本发明采用的联合监督就是将softmax损失函数与中心损失函数加权求和，并且用λ平衡两个损失函数，α控制中心的学习率，λ设置在0.008～0.03范围内，α设置在0.2～0.5范围内。