The invention proposes a joint supervised identification method based on dense convolution neural network, which utilizes the advantages of dense convolution network structure, such as feature reuse, dense connection, etc., to produce a highly parameterized high efficiency model. In addition, the loss function is improved, and the original loss function is replaced by the joint supervision of the soft Max loss and the central loss. Through the joint supervision, not only the difference between different features is enlarged, but also the change of the same kind of features is reduced. It solves the problem of low recognition rate when encountering occlusion, noise and blur in aircraft recognition.
【技术实现步骤摘要】
基于密集卷积神经网络的遥感飞机识别方法
:本文专利技术涉及遥感飞机图像的飞机机型识别技术。是一种基于密集卷积神经网络的联合监督识别方法。
技术介绍
:遥感飞机目标的识别无论在民用还是军用领域都有巨大研究意义,可实现飞机精确定位识别,用来监控民用飞机以及精确军事打击。但是遥感图像存在信息量大,图像不清晰且受环境因素影响较大的问题,卷积神经网络作为解决这一问题的方法引起广泛关注,它会经过不断训练调整权重参数自动提取图像中的感兴趣特征,从而实现精确的遥感飞机识别。目前飞机目标种类繁多,数据量巨大,且采集的图像受环境、气象等条件干扰较大,因此研究面向实际应用的飞机识别方法是必要的。传统飞机识别算法主要有模板匹配和支持向量机。早期模板匹配算法原理是计算模板图像与目标图像之间的相似性实现目标识别,其识别准确率较高,但是计算量较大,对于遮挡、模糊、旋转等异常情况的鲁棒性较差。后来随着机器学习的发展提出支持向量机算法,其识别准确率有一定提升,且鲁棒性较模板匹配更优,但是支持向量机的核函数、带宽等很难确定。近年来卷积神经网络(CNN)因其卓越的性能已成为机器视觉领域领头羊,能够经过多层卷积网络以及反向传播后提取出需要的特征再进行飞机的识别。基于此,本专利技术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。损失函数使用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。
技术实现思路
...
【技术保护点】
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,本专利技术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 ...
【技术特征摘要】
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...
【专利技术属性】
技术研发人员:于丽,刘坤,于晟焘,
申请(专利权)人:上海海事大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。