[发明专利]面向多角度SAR目标识别网络的轻量化设计方法

说明书

本发明公开了面向多角度SAR目标识别网络的轻量化设计方法，属于计算机视觉和遥感的交叉领域。现有的神经网络压缩方法通常是逐步压缩思路且有识别精度损失的，而本发明结合SAR目标多角度特征保持的要求，使用结构化剪枝生成轻量化SAR目标识别CNN网络结构，使用知识蒸馏恢复CNN网络模型的多角度特征提取能力，使用权重共享进一步压缩网络模型存储空间需求，最终得到了无损的轻量化多角度SAR目标识别网络模型。在识别精度无损的前提下，压缩率能达到60倍以上，同时计算量能减少2倍以上。

技术领域

本发明涉及一种面向多角度SAR目标识别网络的轻量化设计方法，属于计算机视觉和遥感的交叉领域。

背景技术

合成孔径雷达(SAR)是一种主动式成像雷达，由其产生的数据具有全天时、全天候，高分辨率、高穿透性的特点。这些优秀的特性使其被广泛运用在地质探测、海洋监测、农林监测、军事侦察等领域。

由于成像机理的差异，SAR图像与普通的光学图像很大差别，并且SAR图像中包含大量特殊的乘性噪声，这都对图像的解译工作造成了巨大干扰。SAR图像的解译方法主要分为人工判读解译和计算机模式识别解译。人工判断需要消耗极高的成本且工作效率低下，使用计算机的SAR图像目标自动识别是更优，符合未来趋势的方法。

近年来，深度学习被广泛运用到SAR图像目标自动识别中，特别是一些难度较大的自动识别任务中，如多角度SAR目标识别。SAR目标由于独特的散射特性，在不同角度下成像特征差异很大，为多角度特征的提取提出了更多的困难。作为深度学习的重要分支，卷积神经网络(CNN)已被证明在多角度SAR目标自动识别上相较其他方法有一定性能优势。然而，CNN的成功依赖于巨大的参数量和计算量需求。现实应用中大量嵌入式和边缘计算设备没有足够的存储和计算能力提供给CNN使用，对现有CNN模型进行压缩，设计轻量化的CNN模型是SAR图像自动目标识别(ATR)在应用中的刚需。同时，轻量化的CNN模型应该具有最小的精度损失，最好是无损的。本发明提出了一种实用、符合逻辑的无损多角度SAR目标识别轻量化网络设计方法。

发明内容

本发明提供了一种面向多角度SAR目标识别网络的轻量化设计方法。

不同于一些有损的基于神经网络压缩的多角度SAR目标识别网络设计方法，本发明的具体创新点在于提供了一种符合CNN模型构造逻辑的无损压缩的多角度SAR目标识别网络设计方法。通过使用结构化剪枝进行轻量化CNN网络结构设计获得原始CNN网络的压缩模型，进一步使用知识蒸馏联合训练剪枝得到的压缩模型和原始CNN模型已恢复模型分类识别精度，最后通过权重分享进一步压缩存储，获得无损，轻量化的CNN模型，最终模型在SAR多角度自动识别任务中可以取得和原始模型相同的性能。

本发明的技术方案具体来说，主要包括如下技术内容：

1、基于结构化剪枝的轻量化网络结构设计：针对CNN的每一个卷积层和全连接层，基于一定规则对滤波器进行筛选，删去不重要的滤波器，达到对CNN网络结构进行压缩，得到轻量化网络结构的目的。

2、基于知识蒸馏的无损网络精度恢复：使用知识蒸馏的方法联合训练原始CNN模型和经过剪枝的轻量化网络模型，通过联合损失将原始CNN模型中的知识迁移到轻量化网络模型中，完成轻量化模型的精度恢复。

3、基于权重分享的网络存储压缩：在轻量化模型完成精度恢复后，对其权重参数进行进一步压缩，具体做法是对每一层的权重参数进行聚类，用较少的聚类中心稀疏表示总体权重，进一步减少CNN模型的存储要求。

本发明的流程图如图1所示，实施流程如下：

步骤1、获取训练好的原始CNN模型：将合成孔径雷达采集到的数据制作成数据集。指定一种适应多角度SAR目标识别的原始CNN网络，如A-ConvNets。利用数据集训练模型，使得CNN模型的分类性能达到满意的精度。

步骤2、对原始CNN模型进行结构化剪枝：