[发明专利]基于迁移学习的船舶类型识别方法及系统

权利要求书

1.一种基于迁移学习的船舶类型识别方法，其特征在于，包括：

迁移学习模型构建步骤：迁移已训练好的卷积神经网络模型，结合船舶图像对卷积神经网络模型的参数和结构进行调整，得到迁移学习模型；

数据集构建步骤：对船舶图像进行灰度化、归一化和类型标注处理，得到数据集；

训练步骤：根据反向传播法，用所述数据集训练所述迁移学习模型；

预测步骤：将待测图像输入训练好的所述迁移学习模型中进行类型识别；

归一化处理包括图像尺寸归一化和图像数值归一化；所述图像尺寸归一化包括将船舶图像的尺寸归一化为统一的尺寸，所述图像数值归一化包括将船舶图像的像素值归一化到[0,1]之间；

其中：V(x,y)表示为进行数值归一化操作前，坐标点(x,y)处的像素值大小；V'(x,y)表示数值归一化操作之后，坐标点(x,y)处的像素值大小；V_min和V_max分别表示当前船舶图像中，所有坐标点对应的像素值中的最小值和最大值；

类型标注处理包括分别标注船舶图像对应的船舶类别；

所述反向传播法包括：

步骤1：随机初始化迁移学习模型的每条神经元连接线的权重和每层的偏置；

步骤2：对输入数据执行前向传输得到预测值；

步骤3：根据真实值与预测值之间的误差，逆向反馈更新每条神经元连接线的权重和每层的偏置；

步骤4：返回步骤2，直至误差收敛；

权重w₁、w₂和偏置b的更新方法包括：

E为误差，η为学习率；

所述迁移学习模型中，所有的卷基层中卷积核的大小均为3×3大小；所述迁移学习模型包括：

卷基层_0：由64个卷积核构成；

卷基层_1：由128个卷积核构成；

卷基层_2：由256个卷积核构成；

卷基层_3：由512个卷积核构成；

全连接层_0：由2048个神经元构成；

全连接层_1：由5个神经元构成；

最大池化层：执行最大池化操作；

Soft-max层：作为所述迁移学习模型的输出层，计算并输出各个类别的概率。

2.根据权利要求1所述的基于迁移学习的船舶类型识别方法，其特征在于，所述待测图像经过与所述船舶图像相同的灰度化和归一化处理。