[发明专利]基于密集卷积神经网络的遥感飞机识别方法

摘要

发明提出一种基于密集卷积神经网络的联合监督识别方法，利用密集卷积网络结构的特征重用，密集连接等优势，产生高度参数化的高效率模型。并且改进损失函数，将原有的softmax损失函数改为使用softmax损失和中心损失的联合监督，通过联合监督，不仅扩大了不同类之间特征差异，而且减少了同类别的类内特征变化。从而解决飞机识别时遇到遮挡、噪声、模糊情况识别率低的问题。

主权项

1.一种基于密集卷积神经网络的联合监督遥感飞机识别方法，其特征在于包括以下步骤：步骤一：将密集卷积神经网络结构在自建遥感飞机数据库上训练，训练样本为十类遥感飞机图像，并且经过旋转、加噪声、加不同程度遮挡以及不同像素运动模糊的预处理；网络第一层是卷积层，之后是最大池化层，随后是网络的核心部分密集连接的3个密集块，每个密集块中包含两个卷积层，且密集块之间使用过渡层降低输出维数，再是池化层以及全连接层，最后使用联合监督方法输出识别结果；步骤二：初始化参数设置，网络训练中学习率lr设置在0.009～0.02范围内，batchsize设置为ξ，也就是每训练ξ个样本就调整一次权值，本发明采用的联合监督就是将softmax损失函数与中心损失函数加权求和，并且用λ平衡两个损失函数，α控制中心的学习率，λ设置在0.008～0.03范围内，α设置在0.2～0.5范围内；步骤三：首先将一张178×178像素的遥感图像经过第一个卷积层得到16个89×89的特征图，随后经过最大池化得到16个46×46的特征图，其次经过3个密集块后得到80个46×46的特征图，由于密集连接特性，80由16+16×4得到，然后经过包含卷积层、池化层的过渡层得到40个23×23的特征图，同理在经过14个密集块和一个过渡层后得到196个6×6特征图，最后经过平均池化层得到196个1×1的特征图送到全连接层；步骤四：将全连接层输出的1×10向量输入到联合监督的损失函数L中，如公式1，且Ls代表softmax损失函数，Lc代表中心损失函数；其中：x_i代表d维空间中第i个深层特征，属于第y_i类；d:特征空间的维度；W：全连接层的参数矩阵(W＝{d×n}，d行n列)；Wj：W的第j列；m：批处理的大小；n：类别数；b：偏置，代表第y_i类深层特征的类心，λ用于平衡两个损失函数，如果将λ设置为0，那么可以看作是这种联合监督的一个特例，表示仅用softmax损失函数；步骤五：计算联合损失并与设定阈值比较，未达到要求则对联合损失求偏导计算反向传播误差，方程如下步骤六：得到误差后更新权值与深度特征类心的方程如下，且训练过程中深度特征类心的更新采用一种基于小批量训练集更新深层特征类心的训练方法，而且为了避免少量误标样本造成的大扰动，我们使用α来控制中心的学习率，计算Lc对x_i的梯度和的更新方程：其中如果条件满足则δ(条件)＝1，如果不满足则δ(条件)＝0，α在[0,1]范围内，之后循环进行权值以及类心调整如以下方程，直到达到要求后输出损失函数计算结果；步骤七：网络测试。为了验证本发明方法的有效性，在自建测试集中验证本发明提出算法对于噪声、模糊、遮挡三种异常情况的鲁棒性，通过前向传播算法预测遥感飞机识别结果。