【技术实现步骤摘要】
一种基于深度改进残差网络的SAR图像分类方法
本专利技术涉及一种基于深度改进残差网络的SAR图像分类方法，属于机器视觉
技术介绍
随着人工智能的快速发展，卷积神经网络(ConventionalNeuralNetwork，CNN)在合成孔径雷达(SyntheticApertureRadar,SAR)图像处理领域受到了越来越多的应用，尤其在图像分类方面效果十分明显。与传统的图片特征提取方式不同，CNN通过共享卷积核进行自适应的图片特征提取，该过程不需要复杂计算和人工干预，解决了特征选取困难的问题。但是随着CNN网络深度的增加，网络模型的训练显得越来越困难，模型出现难收敛或者不收敛的问题，而且还会出现模型退化的现象，即深度较深的模型效果不如较浅的模型。残差网络(ResidualNetwork,ResNet)的提出有利于解决这个问题，该网络的最大优势在于设计了残差模块结构，输入可以跳跃式地跨层前向传播。如何设计出更加有效的深度残差网络模型，从而更好地解决深度CNN网络的模型训练问题，是科研人员面临的一个问题。
【技术保护点】
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：/n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；/n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；/n步骤3、建立深度残差网络模型：/n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...
【技术特征摘要】
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(X...
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。