一种基于快速全卷积神经网络的SAR目标分类方法与流程

本发明属于电子信息技术领域，具体地说，本发明涉及一种快速全卷积神经网络的sar目标分类方法。

背景技术：

随着合成孔径雷达(sar)技术的成熟，人们能够获取的sar图像数据越来越多。然而，sar目标的解译一直是一个世界性难题，至今没有得到很好的解决。如今，sar解译已经形成了一套比较成熟的体系，但是，仍然存在以下几个问题：1、需要大量的先验知识；2、识别的准确度不稳定；3、当应用场景特别大时，计算量庞大。近年来，随着机器学习和人工智能的快速发展，很多学者开始考虑利用卷积神经网络(cnn)来对sar目标进行分类识别。但是，现有的sar图像数据远远不能满足cnn的训练需求，与此同时，训练cnn模型需要大量的时间也制约了该技术的发展。

针对于传统cnn网络架构训练时间长的问题，快速全卷积神经网络(fasteracn)在保证识别准确度不明显下降的情况下能够减少大量的训练时间。通常，cnn模型一般由卷积层、池化层、全连接层等组成。卷积层负责特征提取；池化层负责下采样；全连接层负责最后的分类计算。这种固定的架构模式决定了cnn需要大量的训练数据是训练时间。鉴于此，本发明提出来一种快速全卷积神经网络(fasteracn)sar目标分类方法。该方法的优势在于能够减少大量的模型训练时间，同时保持较高的识别准确度。

技术实现要素：

针对现有技术存在的不足，本发明目的是提供一种基于快速全卷积神经网络(fasteracn)sar目标分类方法。

为了实现上述目的，本发明的技术解决方案包含以下步骤：

s1：对mastar数据集进行扩充

针对现sar数据训练样本不足的问题，本项操作采用图像翻转、缩放、加噪声、裁剪、移动等方式对现有mastar数据集进行扩充来满足训练需求；

s2：搭建步进≥2的特殊卷积层

传统卷积神经网络采用池化的方式进行下采样，现有的池化方式有最大值池化、最小值池化和平均值池化。本发明采用步进≥2的卷积层代替传统的池化层进行下采样，采用该方式既能实现下采样的目的，同时又可以对sar图像数据进一步特征提取，在提高训练速度的同时，又可以保证整个网络的识别准确度。为了减小步进扩大带来的信息损失，本发明同时扩大特殊卷积层核的大小，通过扩大感受野的形式保证信息利用最大化。

s3：搭建步进为2的全卷积神经网络(acn)

针对所述步骤s1得到的mastar数据集和所述步骤s2所建立的特殊卷积层，本发明先构建步进为2的全卷积神经网络。该网络采用步进为2，卷积核大小为2×2的卷积层进行下采样。特征提取的卷积层采用步进为1，卷积核大小为3×3，以此搭建一个全卷积层的网络。该网络在识别准确度上要优于传统的卷进神经网络。

s4：搭建步进为3的全卷积神经网络(acn)

针对所述步骤s3搭建的全卷积神经网络，由于采用的步进和传统池化层的步进相当，同时2×2卷积层带来的参数训练使得整个网络的训练速度有所下降。为了提高训练效率，本发明扩大了特殊卷积层的步进，采用步进为3的卷积层进行下采样，同时将卷积核的大小调整为3×3，以此来优化训练的效果。

s5：搭建步进为4的全卷积神经网络(acn)

为了更进一步说明本发明在训练速度上的提升，在所述步骤s4的基础上继续扩大特殊卷积层的步进和卷积核的大小，将其设置为步进为4，大小调整为4×4。该情况下整个网络的训练速度可以提升2倍以上。

s6：搭建快速全卷积神经网络(fasteracn)

根据步骤s3、步骤s4和步骤s5，综合考虑整个网络的训练速度和识别准确度的情况，本发明提出来fasteracn,该网络结合了全卷积神经网络的特点，采用3层卷积层进行特征提取、3层特殊卷积层进行下采样和2层全连接层分类的设计。特征提取的卷积层采用传统的卷积层，步进为1，大小为3×3。下采样的特殊卷积层采用混合递进的方式，分别为步进为4，大小为4×4；步进为3，大小为3×3；步进为2，大小为2×2。这种混合的搭配可以同时发挥全卷积神经网络的速度特点，同时又能保证整个网络的识别准确度不受步进过大带来信息丢失的影响。

作为上述方案的进一步改进：

所述步骤s1采用15°和17°的mastar数据集进行混合训练测试。

假设特殊卷积层卷积核大小为n×n，步进为s,输入图片的大小为iw×ih,图片像素填充尺寸为p,卷积层输出图片n的大小为w×h；n是整个卷积过程卷积运算的次数；

n＝w*h。

本发明的有益效果：

本发明针对传统卷积神经网络训练速度慢的问题提出来一种基于快速全卷积神经网络的sar目标分类方法。通过引入特殊卷积层进行下采样，可以大幅度提高卷积神经网络的训练效率，从而节省大量的训练时间，相比于传统的卷积神经网络，模型训练时间可以减少2.75倍。同时，混合递进的特殊卷积层设置可以保证网络识别准确度不受大步进带来的信息丢失的影响，最终识别准确度高达99.63％。因此，本发明可以大大的改善现有sar技术识别分类方面的困难，提高sar图像的识别效率和准确度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1快速全卷积神经网络(fasteracn)架构示意图。

图2是本发明针对mastar数据集各种数据扩充方式示意图。

图3是本发明特殊卷积层计算过程示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。如图1所示，本发明提供一种基于快速全卷积神经网络的sar目标分类方法，包括以下步骤：

s1：对mastar数据集进行扩充

针对现sar数据训练样本不足的问题，本项操作采用图像翻转、缩放、加噪声、裁剪、移动等方式对现有mastar数据集进行扩充来满足训练需求；

s2：搭建步进≥2的特殊卷积层

传统卷积神经网络采用池化的方式进行下采样，现有的池化方式有最大值池化、最小值池化和平均值池化。本发明采用步进≥2的卷积层代替传统的池化层进行下采样，采用该方式既能实现下采样的目的，同时又可以对sar图像数据进一步特征提取，在提高训练速度的同时，又可以保证整个网络的识别准确度。为了减小步进扩大带来的信息损失，本发明同时扩大特殊卷积层核的大小，通过扩大感受野的形式保证信息利用最大化。

s3：搭建步进为2的全卷积神经网络(acn)

针对所述步骤s1得到的mastar数据集和所述步骤s2所建立的特殊卷积层，本发明先构建步进为2的全卷积神经网络。该网络采用步进为2，卷积核大小为2×2的卷积层进行下采样。特征提取的卷积层采用步进为1，卷积核大小为3×3，以此搭建一个全卷积层的网络。该网络在识别准确度上要优于传统的卷进神经网络。

s4：搭建步进为3的全卷积神经网络(acn)

针对所述步骤s3搭建的全卷积神经网络，由于采用的步进和传统池化层的步进相当，同时2×2卷积层带来的参数训练使得整个网络的训练速度有所下降。为了提高训练效率，本发明扩大了特殊卷积层的步进，采用步进为3的卷积层进行下采样，同时将卷积核的大小调整为3×3，以此来优化训练的效果。

s5：搭建步进为4的全卷积神经网络(acn)

为了更进一步说明本发明在训练速度上的提升，在所述步骤s4的基础上继续扩大特殊卷积层的步进和卷积核的大小，将其设置为步进为4，大小调整为4×4。该情况下整个网络的训练速度可以提升2倍以上。

s6：搭建快速全卷积神经网络(fasteracn)

根据步骤s3、步骤s4和步骤s5，综合考虑整个网络的训练速度和识别准确度的情况，本发明提出来fasteracn,该网络结合了全卷积神经网络的特点，采用3层卷积层进行特征提取、3层特殊卷积层进行下采样和2层全连接层分类的设计。特征提取的卷积层采用传统的卷积层，步进为1，大小为3×3。下采样的特殊卷积层采用混合递进的方式，分别为步进为4，大小为4×4；步进为3，大小为3×3；步进为2，大小为2×2。这种混合的搭配可以同时发挥全卷积神经网络的速度特点，同时又能保证整个网络的识别准确度不受步进过大带来信息丢失的影响。

如图2所示，图2中的(a)、(b)、(c)、(d)和(e)分别对应的是mastar数据原图、左右翻转后的数据图片、放大后的数据图片、向右移动后的数据图片和加入高斯噪声后的数据图片。在具体的实施过程中，还采用了上下翻转、图片缩小、向左移动、图片裁剪等方式，使得整个训练样本扩充了10倍，训练样本的数量达到4万多个。本发明采用15°和17°的mastar数据集进行混合训练测试的方式，传统做法是17°样本用于训练，15°样本用于测试，采用混合训练和测试的方式可以提高网络的学习能力，获得更高的识别准确度。

如图3所示，图3是本发明特殊卷积层计算过程示意图。(a)是传统的最大值池化过程，(b)是本发明的采用的特殊卷积层下采样过程。从(a)和(b)的对比不难发现，对于一张相同的图片，本发明的特殊卷积层能够更全面的提取图片的信息，防止步进过大带来的数据丢失。假设特殊卷积层卷积核大小为n×n，步进为s,输入图片的大小为iw×ih,图片像素填充尺寸为p,从下列公式可以得出卷积层输出图片的大小为w×h。n是整个卷积过程卷积运算的次数，可以看出，步进是影响卷积运算次数最关键的参数，而卷积次数的多少直接反应了整个神经网络训练速度的快慢。因此，步进扩大一倍，卷积运算次数就会减少一倍，训练时间也会大幅度减少。

n＝w*h。

图1是本发明涉及到的快速全卷积神经网络(fasteracn)架构示意图。本发明采用递进混合的方式搭建快速全卷积神经网络，图片数据刚进入网络时采用步进为4的特殊卷积层进行下采样，由于没有经过下采样的图片还很大，此时大步进的下采样可以大幅度的减少卷积运算的次数。经过一次下采样后，图片大小缩小了4倍，此时缩小下采样的步进，以获取更多的特征信息，保证网络的识别准确度。最后一次下采样采用步进为2的特殊卷积层，使得整个特征提取层的提取数据更加紧凑，提高分类的准确性。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。