[发明专利]一种基于深度学习的可解释SAR图像的识别方法

权利要求书

1.一种基于深度学习的可解释SAR图像的识别方法，其特征在于，包括以下步骤：

S1：在网络在ResNet-18框架的基础上，构建网络模型；

S2：根据网络架构，对模型的感受野、步长和填充进行设置；

S3：通过模型追踪图像中每块区域，并设置得分规则；

S4：确定模型预测的类别；

S5：基于SAR图像的MSTAR数据集对模型进行训练和测试，直至完成模型训练；

S6：通过训练好的模型对图像进行识别。

2.根据权利要求1所述的基于深度学习的可解释SAR图像的识别方法，其特征在于，所述模型的感受野小于图像的尺寸3-7倍。

3.根据权利要求2所述的基于深度学习的可解释SAR图像的识别方法，其特征在于，所述模型的每一层卷积层的步长为1。

4.根据权利要求3所述的基于深度学习的可解释SAR图像的识别方法，其特征在于，在步骤S1中，在ResNet-18框架的基础上进行了改进，将原有的卷积核替换为1×1和3×3个卷积核，每个卷积层后面有一个正则化层和ReLU层。

5.根据权利要求4所述的基于深度学习的可解释SAR图像的识别方法，其特征在于，用于步骤S2中，网络卷积层数能够进行调节。

6.根据权利要求5所述的基于深度学习的可解释SAR图像的识别方法，其特征在于，在步骤S3中，得分规则为热图上的每个值对应的图像区域代表了此区域对决策结果的贡献大小，将得到的热图中每一个像素值求和就可得到每一类的得分。

7.根据权利要求6所述的基于深度学习的可解释SAR图像的识别方法，其特征在于，在步骤S4中，将每一类得分经过softmax分类器得到每一类的概率，取最大概率的一类为模型预测的类别。

8.根据权利要求7所述的基于深度学习的可解释SAR图像的识别方法，其特征在于，在步骤S2中，在有n个卷积层的深度卷积网络的中间没有池化层时，最后一层卷积层特征图中每个单元对应的输入图像上的感受野大小的计算公式为：

其中，RF_n为待计算的第n层接收野的大小，RF_n-1为计算得到的第n-1层接收野的大小，f_n为第n个卷积核的大小，s_i为第i层卷积对应的步长。

9.根据权利要求1-8任一所述的基于深度学习的可解释SAR图像的识别方法，其特征在于，模型的训练和测试具体包括以下步骤：

S501：选择Adam优化器为模型的优化器，设置学习率为0.001，损失函数为交叉熵损失；

S502：将MSTAR数据集中带有类别标签的训练数据以合适的批次大小输入到模型中，使用模型的输出和真实标签计算交叉熵损失；

S503：以损失的下降方向进行梯度反向传播更新模型的各层参数；

S504：重复S502、S503步骤，达到预设的迭代步骤后停止，模型即训练完毕。