[发明专利]一种基于深度学习和部件先验的遥感影像飞机识别方法

权利要求书

1.一种基于深度学习和部件先验的遥感影像飞机识别方法，其特征在于，包括以下步骤：

步骤1，获取高分辨率遥感影像飞机型号数据集，选取固定少量样本作训练集，构建小样本库，选取固定数量样本作测试集；

步骤2，构建并训练基于飞机部件先验的飞机型号识别模型，包括以下子步骤；

步骤21，构建飞机部件训练集，利用飞机部件训练集训练语义分割模型，获取飞机部件先验；

步骤21中获取飞机部件先验的具体实现方式如下；

步骤211，构建飞机部件训练集，标记头部、左翼、右翼、机身、尾翼共5个部件，将构建好的训练集输入基于分层多尺度特征融合网络的语义分割模型中，得到预测结果，基于预测结果与真实标签计算损失函数，对模型参数进行优化更新；

步骤212，分层多尺度特征融合网络包含大、中、小三个尺度的网络分支：1)大尺度网络分支由9个卷积层连接，没有池化层，从而保证特征尺度不会缩小，特征分辨率始终保持较高水平；2)中尺度网络分支的特征来自于大尺度网络分支的第二个卷积层，首先对这第二个卷积层得到的特征进行池化，得到缩小一倍的特征，然后输入6个卷积层进行卷积运算，最后，通过2倍上采样得到和大尺度网络分支相同尺寸的特征；3)小尺度网络分支的特征来自于中尺度网络分支的第三个卷积层，首先对第三个卷积层得到的特征进行池化，得到缩小一倍的特征，然后输入3个卷积层进行卷积运算，通过4倍上采样得到和大尺度网络分支相同尺寸的特征，最后，将来自大、中、小网络分支的三组等大的特征进行叠加，得到最终特征输出；

再将分层多尺度特征融合网络的输出特征输入到语义分割分支，得到飞机部件先验，即飞机部件掩膜；

步骤22，将步骤1中的训练集输入ResNet网络提取卷积特征，得到深度抽象特征；

步骤22中，ResNet网络中引入多个残差单元，残差单元的表达式如下：

y_l＝h(x_l)+F(x_l,W_l)

其中x_l表示第l个残差单元的输入，h表示恒等变换，即输入等于输出；F是卷积函数，表示学习到的卷积特征，W_l表示模型权重，残差单元的核心是将原始的输入特征和卷积之后的特征求和，作为最终输出；

将训练集A输入到ResNet网络中，通过堆叠的7组残差单元，分别得到64维、128维、256维的特征；

步骤23，基于飞机部件先验，对深度抽象特征进行飞机部件特征选择；

步骤24，基于飞机部件特征的特征融合，将融合特征输入到一个全连接层，得到分类结果，结合分类结果和型号真实标签计算交叉熵损失函数，通过反向传播和随机梯度下降优化算法进行模型参数优化；

步骤3，利用训练收敛后的基于飞机部件先验的飞机型号识别模型，对测试集进行预测，利用输出概率获取识别结果。

2.根据权利要求1所述的一种基于深度学习和部件先验的遥感影像飞机识别方法，其特征在于：步骤1的具体实现包括如下子步骤；

步骤11，利用无人机或者高分卫星进行拍摄获取大量高空间分辨率影像；

步骤12，采集遥感影像中机场的飞机作为样本，将飞机型号与对应区域影像制作成深度学习飞机型号识别数据集；

步骤13，将深度学习飞机型号识别数据集划分成两个部分，用于拟合模型参数的小样本训练集A与用于模型精度评定的测试集B。

3.根据权利要求1所述的一种基于深度学习和部件先验的遥感影像飞机识别方法，其特征在于：步骤23的具体实现方式如下；

首先将飞机部件先验被调整为和特征图相同尺寸的大小，即从ResNet网络得到的256维卷积特征相同尺寸的大小；调整大小后，将飞机部件对应的数值整数化为0，1，2，3，4和5，分别表示飞机头部、左翼、右翼、机身、尾翼；当进行部件特征选择时，利用这组序列号对飞机5个部件区域进行索引，分别得到对应5个部件区域的卷积特征，并通过最大池化和平均池化对卷积特征进行处理得到部件特征。

4.根据权利要求3所述的一种基于深度学习和部件先验的遥感影像飞机识别方法，其特征在于：步骤24的具体实现方式如下；

经过最大池化和平均池化操作后，生成5个512维的特征向量，通过5个全连接层将这些特征映射到5个4096维的特征空间，之后，5个特征向量通过求和函数融合到4096维特征向量中；然后，4096维的特征向量被输入最后一个全连接层，映射到类别空间，得到的分类结果，通过与型号真实标签结合，用于计算交叉熵损失函数，通过反向传播和随机梯度下降优化算法进行模型参数优化。