一种基于对比学习预训练的SAR舰船分类方法技术

本发明专利技术公开了一种基于对比学习预训练的SAR舰船分类方法，包括：构建特征融合网络，特征融合网络包括依次连接的特征提取模块、第一特征融合模块和第二特征融合模块；构建以特征融合网络为特征提取网络的SimCLR对比学习网络框架；获取多组mat格式训练数据集和多组JPG格式图片训练数据集，并将多组JPG图片训练数据集分别输入SimCLR网络框架中进行训练，获得多组预训练模型；将多组预训练模型的参数加载到特征融合网络中，并利用多组mat格式训练数据集进行进一步训练，获得训练后的特征融合网络；将待分类的原始SAR图片输入至训练后的特征融合网络中，获得分类结果。本发明专利技术使用无监督对比学习获得预训练模型并结合特征融合网络，提升了舰船分类性能。提升了舰船分类性能。提升了舰船分类性能。

【技术实现步骤摘要】
一种基于对比学习预训练的SAR舰船分类方法


[0001]本专利技术属于图像目标分类
，具体涉及一种基于对比学习预训练的SAR舰船分类方法。

技术介绍

[0002]自SAR(Synthetic Aperture Radar，合成孔径雷达)于20世纪50年代问世以来，SAR图像目标分类技术也在飞速发展。在基于机器学习的SAR图像舰船目标分类中，Ji等人提取了舰船的RCS(Radar Cross Section，雷达散射截面积)统计特征中的位置特征参数(均值、方差和极差)、分布特征参数(偏度系数、峰度系数)、分布分析(概率密度函数、累计分布函数)和百分概率值分布(10％概率值、50％概率值和90％概率值)并使用BP神经网络实现了舰船图像的分类。在基于深度学习的SAR图像舰船目标分类中，主要是通过使用卷积神经网络提取SAR图像的特征进行分类，卷积神经网络开始于1998年的LeNet
‑
5网络，实现了手写数字识别的功能，兴起于2012年Alex于ImageNet图像分类比赛上提出的AlexNet网络，后来不断出现新的经典网络(如VGG、GoogLeNet和ResNet等)都被应用到了SAR图像舰船目标分类中。
[0003]申请号为CN201911238758.8，专利名称为“基于深度密集连接和度量学习的SAR舰船目标识别方法”的专利技术专利提出了一种基于深度密集连接网络和度量学习的SAR舰船目标识别方法，该方法基于度量学习的思想，通过三元组网络获取同类样本和异类样本的深度特征，通过优化损失函数拉近在特征空间中同类样本的距离，推远异类样本的距离。其中三元组网络中的特征提取网络是改进后的DenseNet网络，损失函数是将交叉熵损失函数、三元组损失函数和Fisher判别正则项加权联合起来的联合损失函数。该专利技术专利对特征提取网络DenseNet和损失函数的改进，一定程度上提升了分类结果。但由于网络的参数量大，训练比较耗时，而且该方法只使用到了深层特征，比较抽象，忽视了图像中存在的纹理信息等特征，故该方法的结果仍然有提升空间。
[0004]目前SAR图像舰船目标分类方法主要是使用卷积神经网络提取到图像的深层特征进行分类，训练方式通常是从头训练。一方面，深层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差；浅层特征分辨率更高，包括更多位置、细节信息，仅使用深层特征进行分类没有充分利用到浅层特征。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于对比学习预训练的SAR舰船分类方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]本专利技术提供了一种基于对比学习预训练的SAR舰船分类方法，包括：
[0007]S1：构建特征融合网络，所述特征融合网络包括依次连接的特征提取模块、第一特征融合模块和第二特征融合模块，其中，所述特征提取模块用于对输入的SAR图像进行初步特征提取，获取所述SAR图像的浅层特征和深层特征；所述第一特征融合模块用于实现从所
述深层特征向所述浅层特征的融合，获得融合后的浅层特征；所述第二特征融合模块用于实现从所述融合后的浅层特征向所述深层特征的继续融合，并输出图像类别概率；
[0008]S2：构建以所述特征融合网络为特征提取网络的SimCLR对比学习网络框架，所述SimCLR对比学习网络框架包括级联的特征提取网络和特征映射网络；
[0009]S3：获取多组mat格式训练数据集和多组JPG格式图片训练数据集，并将所述多组JPG图片训练数据集分别输入所述SimCLR对比学习网络框架中进行训练，获得多组预训练模型；
[0010]S4：将所述多组预训练模型的参数加载到所述特征融合网络中，并利用所述多组mat格式训练数据集对所述特征融合网络进行进一步训练，获得训练后的特征融合网络；
[0011]S5：将待分类的原始SAR图片输入至训练后的特征融合网络中，获得分类结果。
[0012]在本专利技术的一个实施例中，所述特征提取模块包括依次连接的第一卷积层CO1、第一批归一化层B1、第一激活函数层R1、第二卷积层CO2、第二批归一化层B2，第二激活函数层R2、第一密集连接和过渡模块M1、第二密集连接和过渡模块M2、第三密集连接和过渡模块M3以及第四密集连接和过渡模块M4。
[0013]在本专利技术的一个实施例中，所述第一密集连接和过渡模块M1、所述第二密集连接和过渡模块M2、所述第三密集连接和过渡模块M3以及所述第四密集连接和过渡模块M4的结构均相同，均包括级联的密集连接单元和过渡单元，其中，
[0014]所述密集连接单元包括串联的四个子单元，每个子单元包括一个批归一化层、一个激活函数层、一个卷积层以及一个拼接层，并且前一个子单元的输入和输出拼接后作为后一个子单元的输入，最后一个子单元的输入和输出拼接后作为该密集连接单元的输出；
[0015]所述过渡单元包括依次连接的一个批归一化层、一个激活函数层、一个卷积层和一个池化层。
[0016]在本专利技术的一个实施例中，所述第一特征融合模块包括第一反卷积层T1、第一拼接层CA1、第三卷积层CO3、第二反卷积层T2、第二拼接层CA2、第四卷积层CO4、第三反卷积层T3、第三拼接层CA3、第五卷积层CO5、第四反卷积层T4、第四拼接层CA4和第六卷积层CO6，其中，
[0017]所述第一反卷积层T1的输入连接所述第四密集连接和过渡模块M4的输出，所述第一拼接层CA1的两个输入分别连接所述第三密集连接和过渡模块M3的输出和所述第一反卷积层T1的输出，所述第一拼接层CA1的输出连接所述第三卷积层CO3的输入；所述第二反卷积层T2的输入连接所述第三卷积层CO3的输出，所述第二拼接层CA2的两个输入分别连接所述第二密集连接和过渡模块M2的输出和所述第二反卷积层T2的输出，所述第二拼接层CA2的输出连接所述第四卷积层CO4的输入；所述第三反卷积层T3的输入连接所述第四卷积层CO4的输出，所述第三拼接层CA3的两个输入分别连接所述第一密集连接和过渡模块M1的输出和所述第三反卷积层T3的输出，所述第三拼接层CA3的输出连接所述第五卷积层CO5的输入；所述第四反卷积层T4的输入连接所述第五卷积层CO5的输出，所述第四拼接层CA4的两个输入分别连接所述第二激活函数层R2的输出和所述第四反卷积层T4的输出，所述第四拼接层CA4的输出连接所述第六卷积层CO6的输入。
[0018]在本专利技术的一个实施例中，所述第二特征融合模块包括第七卷积层CO7、第三批归一化层B3、第三激活函数层R3、第一池化层P1、第五拼接层CA5、第八卷积层CO8、第四批归一化
层B4、第四激活函数层R4、第二池化层P2、第六拼接层CA6、第九卷积层CO9、第五批归一化层B5、第五激活函数层R5、第三池化层P3、第七拼接层CA7、第十卷积层CO
10
、第六批归一化层B6、第六激活函数层R6、第四池化层P4、第八拼接层CA8、第十一卷积层CO
11
、第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对比学习预训练的SAR舰船分类方法，其特征在于，包括：S1：构建特征融合网络，所述特征融合网络包括依次连接的特征提取模块、第一特征融合模块和第二特征融合模块，其中，所述特征提取模块用于对输入的SAR图像进行初步特征提取，获取所述SAR图像的浅层特征和深层特征；所述第一特征融合模块用于实现从所述深层特征向所述浅层特征的融合，获得融合后的浅层特征；所述第二特征融合模块用于实现从所述融合后的浅层特征向所述深层特征的继续融合，并输出图像类别概率；S2：构建以所述特征融合网络为特征提取网络的SimCLR对比学习网络框架，所述SimCLR对比学习网络框架包括级联的特征提取网络和特征映射网络；S3：获取多组mat格式训练数据集和多组JPG格式图片训练数据集，并将所述多组JPG图片训练数据集分别输入所述SimCLR对比学习网络框架中进行训练，获得多组预训练模型；S4：将所述多组预训练模型的参数加载到所述特征融合网络中，并利用所述多组mat格式训练数据集对所述特征融合网络进行进一步训练，获得训练后的特征融合网络；S5：将待分类的原始SAR图片输入至训练后的特征融合网络中，获得分类结果。2.根据权利要求1所述的基于对比学习预训练的SAR舰船分类方法，其特征在于，所述特征提取模块包括依次连接的第一卷积层CO1、第一批归一化层B1、第一激活函数层R1、第二卷积层CO2、第二批归一化层B2，第二激活函数层R2、第一密集连接和过渡模块M1、第二密集连接和过渡模块M2、第三密集连接和过渡模块M3以及第四密集连接和过渡模块M4。3.根据权利要求2所述的基于对比学习预训练的SAR舰船分类方法，其特征在于，所述第一密集连接和过渡模块M1、所述第二密集连接和过渡模块M2、所述第三密集连接和过渡模块M3以及所述第四密集连接和过渡模块M4的结构均相同，均包括级联的密集连接单元和过渡单元，其中，所述密集连接单元包括串联的四个子单元，每个子单元包括一个批归一化层、一个激活函数层、一个卷积层以及一个拼接层，并且前一个子单元的输入和输出拼接后作为后一个子单元的输入，最后一个子单元的输入和输出拼接后作为该密集连接单元的输出；所述过渡单元包括依次连接的一个批归一化层、一个激活函数层、一个卷积层和一个池化层。4.根据权利要求2所述的基于对比学习预训练的SAR舰船分类方法，其特征在于，所述第一特征融合模块包括第一反卷积层T1、第一拼接层CA1、第三卷积层CO3、第二反卷积层T2、第二拼接层CA2、第四卷积层CO4、第三反卷积层T3、第三拼接层CA3、第五卷积层CO5、第四反卷积层T4、第四拼接层CA4和第六卷积层CO6，其中，所述第一反卷积层T1的输入连接所述第四密集连接和过渡模块M4的输出，所述第一拼接层CA1的两个输入分别连接所述第三密集连接和过渡模块M3的输出和所述第一反卷积层T1的输出，所述第一拼接层CA1的输出连接所述第三卷积层CO3的输入；所述第二反卷积层T2的输入连接所述第三卷积层CO3的输出，所述第二拼接层CA2的两个输入分别连接所述第二密集连接和过渡模块M2的输出和所述第二反卷积层T2的输出，所述第二拼接层CA2的输出连接所述第四卷积层CO4的输入；所述第三反卷积层T3的输入连接所述第四卷积层CO4的输出，所述第三拼接层CA3的两个输入分别连接所述第一密集连接和过渡模块M1的输出和所述第三反卷积层T3的输出，所述第三拼接层CA3的输出连接所述第五卷积层CO5的输入；所述第四反卷积层T4的输入连接所述第五卷积层CO5的输出，所述第四拼接层CA4的两个输入分别连
接所述第二激活函数层R2的输出和所述第四反卷积层T4的输出，所述第四拼接层CA4的输出连接所述第六卷积层CO6的输入。5.根据权利要求4所述的基于对比学习预训练的SAR舰船分类方法，其特征在于，所述第二特征融合模块包括第七卷积层CO7、第三批归一化层B3、第三激活函数层R3、第一池化层P1、第五拼接层CA5、第八卷积层CO8、第四批归一化层B4、第四激活函数层R4、第二池化层P2、第六拼接层CA6、第九卷积层CO9、第五批归一化层B5、第五激活函数层R5、第三池化层P3、第七拼接层CA7、第十卷积层CO
10
、第六批归一化层B6、第六激活函数层R6、第四池化层P4、第八拼接层CA8、第十一卷积层CO
11
、第七批归一化层B7、第七激活函数层R7、第五池化层P5、第八批归一化层B8、第八激活函数层R8、第六池化层P6...

【专利技术属性】
技术研发人员：王英华，张超，刘宏伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：