[发明专利]一种基于深度卷积网络的可见光舰船虚警剔除方法

权利要求书

1.一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，具体过程为：

步骤1、选取光学遥感图像中的舰船切片和虚警切片，作为初始的舰船样本和虚警样本；对两类样本中的切片进行舰船、虚警类型标记；

步骤2、分别对初始的舰船样本和虚警样本进行数据增广；

步骤3、分别对增广后的舰船样本和虚警样本进行传统特征提取，生成舰船样本集特征库与虚警样本集特征库，使用K－means算法结合样本集特征库将增广后的舰船样本细分为M个子类、将增广后的虚警样本分为N个子类，共得到(M+N)个子类样本，对(M+N)个子类样本中的切片进行类型标记；

步骤4、使用已经在ImageNet大数据集上训练过的VGG19网络作为基网络，并在此基础上进行优化，得到优化后的CNN卷积神经网络；

所述优化的方式为：在基网络前两个最大池化层的前面和每一个卷积层的后面分别加入BatchNorm策略；

步骤5、初始化优化后的CNN中的待训练参数，并设置网络超参数，得到训练网络；

步骤6、将步骤3得到的(M+N)个子类样本打乱，并使用训练网络对其进行迁移学习训练，共训练t₁代，训练过程中每一代都会自动更新待训练参数，并获得对应的训练精度和损失曲线；

步骤7、根据步骤6中获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数，加载到步骤4中得到的CNN构成判定网络，对打乱后的(M+N)个子类样本进行类型判定，记录样本中每个切片的判定概率；

步骤8、将打乱后的(M+N)个子类样本进行重新归类，然后根据判定概率将(M+N)个子类样本中的切片各自细分成k小类，最终得到k×(M+N)个小类，分类后对切片进行类型标记；

步骤9、根据k×(M+N)个小类中每小类的数据量对k×(M+N)个小类分别进行数据增广，得到k×(M+N)个训练样本集；

步骤10、将在步骤9中得到的k×(M+N)个训练样本集打乱，“冻结”步骤5中得到的训练网络的卷积层，然后对打乱后的训练样本集进行微调训练，即只调节全连接层的待训练参数，不调节卷积层的待训练参数；训练t₂代后结束，训练过程中每一代都会自动更新待训练参数，并获得对应的训练精度和损失曲线；

步骤11、根据步骤10中获得的训练精度和损失函数曲线选择最优的那一代训练网络中的待训练参数，加载到步骤4中得到的CNN构成最终识别网络。

2.根据权利要求1所述的一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，步骤2和步骤9中所述数据增广的方式有仿射变换、亮度变换和对比度变换。

3.根据权利要求1所述的一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，步骤3具体为：

1)对切片进行传统特征提取包含目标长度、长宽比、面积、空间扩展度、占空比五个基础特征；

2)采用K－means算法结合1)所提出的5个基础特征对舰船切片与虚警切片分别进行子类划分，将舰船切片细分为M类子类，将虚警切片细分为N个子类。

4.根据权利要求1所述的一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，步骤7所述判定概率为：

对样本进行类型判定时，样本中每个切片都会获得(M+N)个概率，分别对应不同的类型，(M+N)个概率的概率和为1，将(M+N)个概率中最大的那个概率记为判定概率。

5.根据权利要求1所述的一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，步骤8所述分类方式为：

以“判定概率在0.85以上”、“判定概率在0.75～0.85”和“判定概率在0.75以下”为分类区间，将(M+N)个子类样本中的切片各自细分成3小类，即k＝3，最终得到3×(M+N)个小类，根据判定概率判定切片的类型，如果切片类型判定错误，将该切片归为对应子类的“判定概率在0.75以下”小类里。

6.根据权利要求1所述的一种基于深度卷积网络的可见光舰船虚警剔除方法，其特征在于，步骤9所述根据小类的数据量对小类进行数据增广的具体方式如下：

(M+N)个子类中的每个子类都有3个小类，针对每个子类，数据量最大的小类不用进行数据增广，对其余2个小类进行数据增广，使这2个小类各自的数据量增广至数据量最大的小类的数据量的2/3。