基于联邦进化卷积神经网络的极化SAR图像分类方法及系统技术方案

本发明专利技术公开了一种基于联邦进化卷积神经网络的极化SAR图像分类方法及系统，将极化SAR数据划分为训练集和验证集；将种群中的个体解码为卷积神经网络，输入训练集进行训练并聚合；对聚合后的卷积神经网络重复运行得到最终聚合的卷积神经网络；将验证集输入最终聚合的卷积神经网络得到对验证集的样本正确分类的数量；对种群中的每一个个体执行差分进化操作得到子代种群；将种群与子代种群合并得到合并种群；执行环境选择操作得到下一代种群；选取最终种群并从中选择适应度最高的个体对应的卷积神经网络；将待分类的极化SAR图像输入卷积神经网络中得到分类结果，完成极化SAR图像分类。本发明专利技术提高了卷积神经网络分类精度的同时，降低了卷积神经网络的复杂度。降低了卷积神经网络的复杂度。降低了卷积神经网络的复杂度。

【技术实现步骤摘要】
基于联邦进化卷积神经网络的极化SAR图像分类方法及系统


[0001]本专利技术属于图像处理
，具体涉及一种基于联邦进化卷积神经网络的极化SAR图像分类方法及系统。

技术介绍

[0002]极化SAR图像分类是极化SAR应用中的一个重要步骤，也是极化SAR图像处理的一个经典研究方向。目前，极化SAR在民用和军用领域均有着巨大的应用价值，越来越多的机构开始建立极化SAR数据库。然而由于数据隐私等因素，使得各机构之间的极化SAR数据无法得到充分利用，因此急需提出一种能在保护数据隐私的前提下，充分挖掘极化SAR数据价值的方法。
[0003]现有提出了一种基于通道注意力深度网络的极化SAR图像分类方法，使用通道注意力机制解决极化SAR图像的细节信息在卷积过程中丢失的问题，进一步提高极化SAR图像的分类精度；但在训练卷积神经网络的过程中，要求训练集的数据是共享的，无法解决在数据隐私场景下训练卷积神经网络的问题。
[0004]还有一种通过反向传播来自动设计卷积神经网络模型，可对卷积核及其输出通道数进行搜索，但只能应用在数据集共享的场景中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于联邦进化卷积神经网络的极化SAR图像分类方法，其特征在于，包括以下步骤：S1、将多个采用固定长度编码方式生成的个体组成种群；S2、将N个数据源中的极化SAR数据分别划分为训练集和验证集；S3、将步骤S1获得的种群中的个体解码为卷积神经网络；S4、将步骤S3得到的卷积神经网络传输到N个数据源上，并将步骤S2划分的训练集分别输入到N个数据源上的卷积神经网络中训练至少3轮，将N个数据源上经过训练的卷积神经网络进行聚合，得到聚合后的卷积神经网络；S5、对聚合后的卷积神经网络采用与步骤S4相同的方法重复运行至少3轮，得到最终聚合的卷积神经网络；S6、将步骤S5得到的最终聚合的卷积神经网络传输到N个数据源上，并将步骤S2划分的验证集分别输入到最终聚合的卷积神经网络中，得到最终聚合的卷积神经网络对验证集的样本正确分类的数量；根据最终聚合的卷积神经网络在验证集上正确分类的数量及验证集样本的总数量，计算最终聚合的卷积神经网络的总体分类精度，以及最终聚合的卷积神经网络一次前向传播的浮点运算次数；并将总体分类精度和浮点运算次数分别作为对应个体的两个适应度；S7、对当前种群中的每一个个体执行差分进化操作，得到子代种群；S8、对步骤S7获得的子代种群重复步骤S3至步骤S6，得到每个个体的适应度；S9、将当前种群与步骤S7的子代种群合并，得到合并种群；根据步骤S8得到的个体适应度对合并种群执行环境选择操作，得到下一代种群；S10、如果当前种群的迭代次数等于最大迭代次数，将步骤S9得到的下一代种群作为最终种群；S11、在步骤S10的最终种群中选择适应度最高的个体对应的卷积神经网络；将待分类的极化SAR图像输入到适应度最高的个体对应的卷积神经网络中得到分类结果，完成极化SAR图像分类。2.根据权利要求1所述的基于联邦进化卷积神经网络的极化SAR图像分类方法，其特征在于，步骤S1中，个体的结构为：[R,E1,H1,K
1,1
,K
1,2
,K
1,3
,E2,H2,K
2,1
,K
2,2
,K
2,3
,E3,H3,K
3,1
,K
3,2
,K
3,3
]其中，R基因为在[0,10]范围内随机选取的一个整数，表示对卷积神经网络输入分辨率的编码，剩余的15个基因划分为三组，分别为E1,H1,K
1,1
,K
1,2
,K
1,3
、E2,H2,K
2,1
,K
2,2
,K
2,3
和E3,H3,K
3,1
,K
3,2
,K
3,3
，E1,E2,E3基因分别为在[0,2]范围内随机选取的一个整数，分别表示对卷积神经网络中第一、第二和第三个子网络输出通道倍数的编码，H1,H2,H3基因分别为在[1,3]范围内随机选取的一个整数，分别表示对第一、第二和第三个子网络中第一个复值卷积层的卷积核尺寸的编码，K
1,1
,K
1,2
,K
1,3
,K
2,1
,K
2,2
,K
2,3
,K
3,1
,K
3,2
,K
3,3
基因分别为在[0,3]范围内随机选取的一个整数，K
1,1
,K
1,2
,K
1,3
分别表示对第一个子网络中第二、第三和第四个复值卷积层的卷积核尺寸的编码，K
2,1
,K
2,2
,K
2,3
分别表示对第二个子网络中第二、第三和第四个复值卷积层的卷积核尺寸的编码，K
3,1
,K
3,2
,K
3,3
分别表示对第三个子网络中第二、第三和第四个复值卷积层的卷积核尺寸的编码。3.根据权利要求1所述的基于联邦进化卷积神经网络的极化SAR图像分类方法，其特征在于，步骤S2划分训练集和验证集具体为：对N个数据源中的原始样本进行随机采样，每种
类型的样本采样M个作为训练集，M≥100，其余所有样本作为验证集。4.根据权利要求1所述的基于联邦进化卷积神经网络的极化SAR图像分类方法，其特征在于，步骤S3具体为：S301、将种群P
t
中的个体拆分为基因基因组基因组和基因组S302、根据基因组复值卷积层：生成一个步长为2的下采样复值卷积层，并设置卷积核尺寸为[3
×
3,5
×
5,7
×
7]中的第个；若不等于0，生成一个步长为1的复值卷积层，并设置卷积核尺寸为[3
×
3,5
×
5,7
×
7]中的第个；若不等于0，生成一个步长为1的复值卷积层，并设置卷积核尺寸为[3
×
3,5
×
5,7
×
7]中的第个；若不等于0，生成一个步长为1的复值卷积层，并设置卷积核尺寸为[3
×
3,5
×
5,7
×
7]中的第个；S303、对所有生成的复值卷积层进行级联，得到第一子网络，并将第一子网络的输出通道倍数设置为[1,2,3]中的第个；S304、分别对基因组和采用与步骤S302到步骤S303相同的方法进行处理，得到第二子网络和第三子网络；S305、设置第一子网络、第二子网络和第三子网络的输出通道基数分别为16、32和64，对第一子网络、第二子网络和第三子网络进行级联，得到卷积神经网络；S306、将卷积神经网络的每一个复值卷积层的输出通道数设置为所属子网络的输出通道基数与输出通道倍数的乘积；S307、设置卷积神经网...

【专利技术属性】
技术研发人员：张梦璇，汪志刚，焦李成，吴建设，刘龙，尚荣华，冯婕，李玲玲，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：