[发明专利]一种基于深度学习的可解释SAR图像的识别方法

说明书

本发明公开了一种基于深度学习的可解释SAR图像的识别方法，属于图像的识别领域，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。在对SAR图像中的目标识别过程中可以生成热图来显示图像中的每个区域对决策结果的贡献，能够准确且清楚的反映SAR图像中每个区域对深度识别模型的决策结果的贡献大小，有助于提高识别模型的可解释性和增加人们对于识别模型的信任度，降低识别隐患。

技术领域

本发明涉及图像识别技术领域，尤其涉及基于深度学习的可解释SAR图像的识别方法。

背景技术

合成孔径雷达(SAR)成像是一种通过雷达与成像目标之间的相对位移产生等效合成天线阵的成像技术。

SAR成像技术受外界天气影响小，具有一定的地表突防能力，在军事目标识别、城市规划、环境监测、灾害评估等方面得到广泛应用。

合成孔径雷达自动目标识别技术是近年来研究广泛的应用于SAR图像识别的技术。近年来，随着人工智能技术的快速发展，基于深度学习的SAR目标识别方法逐渐成为该领域的主流。

虽然以前基于深度学习的方法在SAR图像识别中可以获得较高的识别性能和计算效率，但通常被视为“黑匣子”，其固有的识别机制缺乏可解释性，现有技术对SAR图像目标的识别结果很难使人信服并且存在问题隐患。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的基于深度学习的可解释SAR图像的识别方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于深度学习的可解释SAR图像的识别方法，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。

进一步地，所述模型的感受野小于图像的尺寸3-7倍。

进一步地，所述模型的每一层卷积层的步长为1。

进一步地，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(BatchNorm)层和ReLU层。

进一步地，用于步骤S2中，网络卷积层数能够进行调节。

进一步地，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。

进一步地，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。

进一步地，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：