一种基于深度改进残差网络的SAR图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112633075A(43)申请公布日2021.04.09(21)申请号202011379800.0(22)申请日2020.11.30(71)申请人东南大学地址211189江苏省南京市玄武区四牌楼2号(72)发明人蒋忠进曹磊王强(74)专利代理机构南京瑞弘专利商标事务所(普通合伙)32249代理人彭雄(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书7页附图4页(54)发明名称一种基于深度改进残差网络的SAR图像分类方法(57)摘要本发明公开了一种基于深度改进残差网络的SAR图像分类方法，首先准备用于训练和测试的SAR图像数据训练集和测试集，两种数据都包括十类目标，每类目标包括多张SAR图像。建立深度残差网络模型，改进了残差模块，在传统残差模块的基础上进行三次跳跃性连接，增加了连接的分支数。深度残差网络模型包含依次顺序连接的输入层Input、残差与下采样组合、全连接层以及输出层Output，残差与下采样组合包括依次连接的多重连接残差模块和下采样模块DS，多重连接残差模块包括三个非线性处理子模块。用训练集对深度残差网络模型进行训练，然后用测试集对训练好的深度残差网络模型进行测试，并输出目标分类结果。本发明不仅继承了ResNet的易学习的优点，还加强了特征的传播利用率，有效提高了SAR图像目标分类的精度和速度。CN112633075ACN112633075A权利要求书1/2页1.一种基于深度残差网络的SAR图像分类方法，其特征在于，包括以下步骤：步骤1、准备用于训练的SAR图像数据，训练数据包括多类目标，每类目标包括多张SAR图像，然后对训练数据进行图像预处理，并为每张SAR图像建立标签，得到训练集；步骤2、准备用于测试的SAR图像数据，测试数据包括多类目标，每类目标包括多张SAR图像，然后对测试数据进图像行预处理，得到测试集；步骤3、建立深度残差网络模型：深度残差网络模型包括依次顺序连接的输入层Input、残差与下采样组合、全连接层以及输出层Output，其中，所述残差与下采样组合为四个，分别为残差与下采样组合一MC_DS_1、残差与下采样组合二MC_DS_2、残差与下采样组合三MC_DS_3和残差与下采样组合四MC_DS_4，全连接层为两个，分别为全连接层一FC_1和全连接层二FC_2；残差与下采样组合包括依次连接的多重连接残差模块和下采样模块DS，所述多重连接残差模块有三个，分别为多重连接残差模块一MC_1、多重连接残差模块二MC_2和多重连接残差模块三MC_3；多重连接残差模块包括非线性处理子模块，所述非线性处理子模块有三个，分别为非线性处理子模块一NP_1、非线性处理子模块二NP_2和非线性处理子模块三NP_3，所述非线性处理子模块一NP_1、非线性处理子模块二NP_2和非线性处理子模块三NP_3依次连接：多重连接残差模块的输入为Xl_0，输出为Xl_4；非线性处理子模块一NP_1的输入为Xl_0，输出为Xl_1；非线性处理子模块二NP_2的输入为Xl_1，输出为Xl_2；非线性处理子模块三NP_3的输入为Xl_2，输出为Xl_3；存在如下关系：Xl_1＝Hl_1(Xl_0)Xl_2＝Hl_2(Xl_1)Xl_3＝Hl_3(Xl_2)Xl_4＝Xl_3+Xl_2+Xl_1+Xl_0＝Hl_3(Hl_2(Hl_1(Xl_0)))+Hl_2(Hl_1(Xl_0))+Hl_1(Xl_0)+Xl_0其中，Hl_1(·)表示非线性处理子模块一NP_1的运算函数，Hl_2(·)表示非线性处理子模块二NP_2的运算函数，Hl_3(·)表示非线性处理子模块三NP_3的运算函数；步骤4、用训练集中的训练数据对深度残差网络模型进行训练，得到训练好的深度残差网络模型；步骤5、用测试集中的测试数据对训练好的深度残差网络模型进行测试，并输出分类结果。2.根据权利要求1所述基于深度残差网络的SAR图像分类方法，其特征在于：所述非线性处理子模块包括加法模块、依次连接的批量归一化层BatchNorm、非线性激活函数层Relu以及卷积层Conv，同时批量归一化层BatchNorm、非线性激活函数层Relu以及卷积层Conv的输出均与加法模块连接。3.根据权利要求2所述基于深度残差网络的SAR图像分类方法，其特征在于：所述下采样模块DS包括依次连接的1×1卷积层Conv_1×1和平均池化层AvgPolling。4.根据权利要求3所述基于深度残差网络的SAR图像分类方法，其特征在于：所述图像预处理包括如下步骤：步骤11、将SAR图像的幅值归一化到0到1之间；2CN112633075A权利要