[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

说明书

本发明一种基于深度学习和部件先验的遥感影像飞机识别方法，用于遥感影像细粒度飞机目标识别。本发明提出一种新颖的细粒度飞机目标提取框架，该框架包括(1)飞机目标先验库，(2)深度特征提取器以及(3)部件特征提取和型号识别。首先，将影像输入飞机部件先验库中以获取飞机部件先验；其次，将影像输入深度卷积神经网络以提取深度抽象特征。第三，基于深度卷积特征和飞机部件先验，通过对不同部件特征进行求和运算实现部件特征融合。最后，输出识别结构，以实现对细粒度飞机型号识别。为了评估细粒度飞机型号识别框架的性能，采用一个公开的民航飞机型号数据集进行模型验证，共包含10个民用飞机型号。

技术领域

本发明属于高分辨率遥感影像识别领域，特别涉及细粒度目标遥感深度学习识别方法。

背景技术

遥感技术的飞速发展，现在可以提供大量的高分辨率遥感影像。与低分辨率影像相比，高分辨率遥感影像包含更详细的空间信息，不仅带来了机遇，但也给遥感影像的识别带来挑战。基于高分辨率遥感影像技术的识别与分析现已运用于飞机型号识别任务中。飞机识别，旨在区分飞机类型，在民用和军用领域都至关重要，比如：飞机搜寻和救援、飞机监视、飞行计划和军事决策等应用。

飞机型号识别是一类细粒度目标识别问题。关于飞机识别的研究很多，但是在小样本情况下的飞机型号识别仍然是研究的难点。因为传统的深度学习方法是数据驱动的，在小样本情况下，模型难以拟合，导致无法学习到如何定位有效特征，使得模型识别性能大幅度下降。现有的细粒度图像识别算法的主要思路为：定位影像中的判别性区域，来提取有效特征。可以分为三大类：基于定位-分类子网络的识别算法、基于端到端编码算法、基于额外辅助数据算法。Fu提出一个多类激活图算法来实现弱监督飞机部件提取，从而进行飞机型号识别。 Xiong提出一种非局部增强特征融合算法来融合部件级特征，从而提升飞机型号识别精度。

尽管上述方法已大大提高了细粒度飞机识别的性能，但针对小样本情况下还是难以进行有效提取。因此，为了解决小样本细粒度飞机型号识别问题，提出了一种新颖的飞机识别框架来实现飞机型号识别。

发明内容

本发明的目的在于提出一种基于深度学习和部件先验的遥感影像飞机识别方法。

提出的基于深度学习和部件先验的遥感影像飞机识别方法，由三个组件组成，分别是飞机目标先验库，部件特征提取和型号识别网络。首先，将影像输入飞机部件先验库中以获取飞机部件先验；其次，将影像输入深度卷积神经网络以提取深度抽象特征。第三，基于深度卷积特征和飞机部件先验，通过对不同部件特征进行求和运算实现部件特征融合。最后，输出识别结构，以实现对细粒度飞机型号识别。为了评估细粒度飞机型号识别框架的性能，采用一个公开的民航飞机型号数据集进行模型验证，共包含10个民用飞机型号。

本发明提供一种基于深度学习和部件先验的遥感影像飞机识别方法，实现步骤如下：

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。