[发明专利]基于线性加热和快照集成的迁移学习舰船目标分割方法

说明书

本发明提供了一种基于线性加热和快照集成的迁移学习舰船目标分割方法，)将舰船目标的大小分布均匀的数据集作为源域数据集，将验证分割效果的数据集作为目标域数据集，构建源域的基于全局注意力编解码网络，得到在源域测试集上的分割准确率最高的模型，构建目标域的基于全局注意力编解码网络，得到的最终分割模型，使用最终的分割模型对目标域测试数据集进行测试，得到最终的分割结果。本发明可在目标域上可以实现较少标签下的舰船目标分割，一定程度上解决了目标域标签需求量大的问题，集成了循环余弦退火的每个周期内的最优模型，避免了目标域数据量较少时训练不稳定进而造成负迁移的情况出现，增强了模型的鲁棒性。

技术领域

本发明涉及图像分割领域，尤其是一种迁移学习方法，可用于SAR图像解译的中间处理。

背景技术

近年来，随着合成孔径雷达系统的发展，获取的信息逐渐由陆地转移到海上，如何解决SAR图像的小样本舰船目标分割成为现在亟需解决的问题。近年来，随着深度学习在计算机视觉、语音信号处理、自然语言处理等领域表现出的优良性能，如何将深度学习方法与SAR图像舰船目标分割问题相结合也变成了如今SAR图像处理领域的热点问题。深度学习方法是通过逐层训练学习的思想，对于训练数据的内在属性特征不断挖掘，进而实现数据的抽象表示。

陈彦彤等人在文章《基于深度语义分割的遥感图像海面舰船检测研究》中提出了一种分割方法，其以ResNet架构为基础,首先将遥感图像经过深度卷积神经网络作为输入,对图像进行粗分割,然后经过改进的全连接条件随机场,利用高斯成对势和平均场近似定理建立条件随机场为递归神经网络作为输出,从而实现了端对端的连接。

汪淼在论文《图像分割中多尺度CNN方法》中提出了一种基于三维空洞卷积神经网络的SAR图像舰船检测分割方法，该方法通过增加图像小波特征构建出基于多尺度的三维图像块,以该三维图像块作为三维空洞卷积神经网络的输入,提高网络提取目标全局特征与局部特征的能力。三维空洞卷积神经网络采用端到端的网络结构,网络输出即为最终输出结果,模型使用方便且效率更高。

然而受限于复杂大场景下的SAR图像数据规模较小问题，模型往往会存在泛化能力不足的情况，即往往会出现在源域数据上性能优越，但是在目标域上出现性能衰退的现象，迁移学习正式解决这个问题的一种手段，或许一个普适化的通用模型尚且无法得到，但是可以对一个性能尚可的模型加以改造和适配实现特定场景的个性化任务。因而迁移学习在解决异源图像的检测识别问题上得到了广泛的应用。

然而由于迁移学习与学习率等参数有着密切的关系，直接进行迁移并不能很好地适用于SAR图像舰船目标分割。

发明内容

为了克服现有技术的不足，本发明提供一种基于线性加热和快照集成的迁移学习舰船目标分割方法，是一种基于线性加热、循环余弦退火和快照集成的迁移学习舰船目标分割方法，在减少目标域上数据所需标注数据的数量的前提下，提高分割效果。

本发明解决其技术问题所采用的技术方案包括如下步骤：

(1)将舰船目标的大小分布均匀的数据集作为源域数据集，并将源域数据集按比例划分为源域训练数据集和源域测试数据集；

(2)将验证分割效果的数据集作为目标域数据集，并且将目标域数据集按比例划分为目标域训练数据集、目标域验证数据集和目标域测试数据集；

(3)构建源域的基于全局注意力编解码网络，使用源域训练数据集对全局注意力编解码网络进行训练，每轮迭代后保留当前在源域测试集上的分割准确率最高的模型，达到最大迭代次数后，得到在源域测试集上的分割准确率最高的模型；具体步骤为：

(3a)构建源域的基于全局注意力编解码网络，基于全局注意力编解码网络为级联的输入层、编码层与级联的解码层、输出层，编码层与解码层由全局注意力模块连接；

(3b)设置训练优化器为SGD，损失函数采用交叉熵损失；