[发明专利]一种基于深度卷积网络的可见光舰船虚警剔除方法

摘要

本发明公开了一种基于深度卷积网络的可见光舰船虚警剔除方法，该方法具体为：首先，结合传统特征提取技术与K‑means聚类技术将样本进行分类；其次，以ImageNet大数据集上训练过的VGG19网络作为基网络对样本进行迁移学习训练；然后，选择合适网络参数构成识别网络对所有样本进行类型判定，得到判定概率，以“0.85以上”、“0.75～0.85”和“0.75以下”三个概率区间将每类样本细分成3小类，并将判定错误的切片加入到“0.75以下”小类；对每小类样本进行数据增广；最后，冻结VGG19网络卷积层，对细分样本进行微调训练，选择最佳网络参数得到最终识别网络。本发明提供的一种基于深度卷积网络的可见光舰船虚警剔除方法，该方法能有效解决舰船检测中虚警率特别高的问题。

主权项

1.一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，具体过程为：步骤1、选取光学遥感图像中的舰船切片和虚警切片，作为初始的舰船样本和虚警样本；对两类样本中的切片进行舰船、虚警类型标记；步骤2、分别对初始的舰船样本和虚警样本进行数据增广；步骤3、分别对增广后的舰船样本和虚警样本进行传统特征提取，生成舰船样本集特征库与虚警样本集特征库，使用K‑means算法结合样本集特征库将增广后的舰船样本细分为M个子类、将增广后的虚警样本分为N个子类，共得到(M+N)个子类样本，对(M+N)个子类样本中的切片进行类型标记；步骤4、使用已经在ImageNet大数据集上训练过的VGG19网络作为基网络，并在此基础上进行优化，得到优化后的CNN卷积神经网络；步骤5、初始化优化后的CNN中的待训练参数，并设置网络超参数，得到训练网络；步骤6、将步骤3得到的(M+N)个子类样本打乱，并使用训练网络对其进行迁移学习训练，共训练t1代，训练过程中每一代都会自动更新待训练参数，并获得对应的训练精度和损失曲线；步骤7、根据步骤6中获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数，加载到步骤4中得到的CNN构成判定网络，对打乱后的(M+N)个子类样本进行类型判定，记录样本中每个切片的判定概率；步骤8、将打乱后的(M+N)个子类样本进行重新归类，然后根据判定概率将(M+N)个子类样本中的切片各自细分成k小类，最终得到k×(M+N)个小类，分类后对切片进行类型标记；步骤9、根据k×(M+N)个小类中每小类的数据量对k×(M+N)个小类分别进行数据增广，得到k×(M+N)个训练样本集；步骤10、将在步骤9中得到的k×(M+N)个训练样本集打乱，“冻结”步骤5中得到的训练网络的卷积层，然后对打乱后的训练样本集进行微调训练，即只调节全连接层的待训练参数，不调节卷积层的待训练参数；训练t2代后结束，训练过程中每一代都会自动更新待训练参数，并获得对应的训练精度和损失曲线；步骤11、根据步骤10中获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数，加载到步骤4中得到的CNN构成最终识别网络。