[发明专利]基于InceptionV3网络的被遮挡目标识别方法

摘要

本发明针对云雾遮挡问题，提出一种改进InceptionV3网络模型InceptionV3‑FC的遥感图像舰船目标识别方法。首先，InceptionV3‑FC通过引入一层全连接层用来学习新的目标函数，用该目标函数对清晰样本和遮挡样本进行训练；其次，通过目标函数的约束项对清晰样本以及遮挡样本的特征进行约束，进而使得训练的遮挡样本和清晰样本的特征映射彼此接近，共享它们的特征，提高被遮挡舰船目标识别的鲁棒性。

主权项

1.一种基于InceptionV3网络的被遮挡目标识别方法，其特征在于包括以下步骤：步骤一：建立InceptionV3‑FC网络结构；对于InceptionV3‑FC网络模型，首先假设输入的图片尺寸为m×m×3，通过使用32个卷积核为3×3步长为2的卷积得到的特征图，将得到特征图送入卷积核为3×3步长为1的第二层卷积得到的特征图，第三层卷积与第二层区别是该层有填充，得到的特征图，之后通过池化层得到的特征图，使用32个卷积核为3×3步长为2的卷积得到的特征图，之后两层卷积分别是使用80个卷积核为3×3步长为1以及192个3×3卷积核步长为2，最终得到的特征图，将得到的特征图作为输入经过3个Inception模块组；第一个Inception模块组包含了3个结构类似的Inception模块，其中第一个Inception模块有4个分支，第1个分支有64输出通道的1×1卷积；第2个分支有48输出通道的1×1卷积，连接有64输出通道的5×5卷积；第3个分支有64输出通道的1×1卷积，再连续连接2个96通道的3×3卷积；第4个分支是3×3的平均池化，连接有32输出通道的1×1卷积。最后4个分支在输出通道上合并，生成这个Inception模块的最终输出第二个Inception模块与第一个Inception模块唯一不同的是第4个分支连接为64输出通道的1×1卷积，最终输出第三个Inception模块与第二个一样；第二个Inception模块组包含了5个结构类似的Inception模块，其中第一个Inception模块有3个分支，第1个分支有384输出通道的3×3卷积；第2个分支有三层，分别是一个64输出通道的1×1卷积和两个96输出通道的3×3卷积；第3个分支是3×3的最大池化；最后3个分支在输出通道上合并，生成这个Inception模块的最终输出第二个Inception模块有4个分支，将4个分支合并后输出后三个Inception模块类似，能够丰富卷积以及非线性化，对特征提炼；第三个Inception模块组包含了3个结构类似的Inception模块，其中第一个Inception模块有3个分支，第1个分支有192输出通道的1×1卷积，连接有320输出通道的3×3卷积；第2个分支有4个卷积层，分别是192输出通道的1×1卷积、192输出通道的1×7卷积、192输出通道的7×1卷积，以及192输出通道的3×3卷积；第3个分支是3×3的最大池化；最后3个分支在输出通道上合并，生成这个Inception模块的最终输出第二个Inception模块有4个分支，第一个分支为320通道的1×1卷积；第2个分支、第3个分支都为第4个分支在一个3×3的平均池化层后接一个192通道的1×1卷积；最后4个分支输出通道合并，得到第三个Inception模块与第二个Inception模块一致，最后输出为最后将模块组输出的特征图作为池化层的输入，把空间信息转化为高阶的抽象特征信息，得到的特征图，对高阶抽象特征通过全局平均池化，变成线性的1×1×2048尺寸，线性层作为全连接层的输入，通过特征约束，然后送入Softmax层完成分类预测；步骤二：提出InceptionV3‑FC目标函数；对于给定的样本，定义K个遮挡尺度及其遮挡变换其中表示遮挡程度为的样本；对所有训练样本X＝{x₁,x₂,…,x_N}应用遮挡变换可以得到一组新的训练样本其中单个遮挡样本为清晰样本和遮挡之后的总训练样本，即将共同用于训练InceptionV3‑FC模型；InceptionV3‑FC模型除了要尽量减少训练数据集上的错误识别意外，还要求对于任意训练样本都能够识别；为此，提出一个新的目标函数：L＝L_s+λL_c  (1)其中，λ为目标函数的权衡系数；L_s是Softmax交叉熵损失函数，为了将损失达到最小化，其表达式为：其中，表示为样本的真值标签向量，N是X中初始训练样本的总数，K是每个x_i∈X的遮挡变换总数，C表示总的类别；L_c是目标函数特征变化约束项，主要对遮挡前后的训练样本施加，即X和以强制使它们共享相似的特征，则该约束项L_c定义为：其中N是X中初始训练样本的总数，O_FC(x_i)是FC层的输出，也是作为训练样本x_i的InceptionV3‑FC特征；表示遮挡的训练样本的平均InceptionV3‑FC特征：整理公式(1)～(3)得到最终的目标函数：步骤三：训练InceptionV3‑FC模型；InceptionV3‑FC模型具体训练步骤如下：(1)完成网络参数的初始化设置；(2)将样本按批次送入网络，然后计算目标值与实际输出偏差以及特征误差，完成网络的前向传播；(3)判断偏差及特征误差是否在容许的范围内，通过Adam优化算法更新权值与偏差；(4)重复2～3步操作，直至达到迭代次数；(5)固定权值和阈值，保存网络模型；步骤四：测试InceptionV3‑FC网络；对训练好的网络模型，将测试样本作为输入，得到输出预测值，通过与样本真实值进行比较，计算网络的平均识别率。