[发明专利]基于深度卷积神经网络的红外目标分类方法和装置

说明书

本申请涉及一种基于深度卷积神经网络的红外目标分类方法和装置。所述方法包括：根据红外目标数据构建目标数据库，根据目标数据库确定用于模型训练的训练集和测试集，根据训练集对预先设置的深度卷积神经网络进行训练，得到所述深度卷积神经网络的训练参数，根据测试集中的红外目标数据和训练参数，对深度卷积神经网络进行测试，得到类激活值；将类激活值映射至红外目标数据对应的原始序列，得到类激活可视化图，根据类激活可视化图，对训练好的深度卷积神经网络输出的目标分类结果进行验证。采用本方法能够提高分类的可靠性。

技术领域

本申请涉及机器学习技术领域，特别是涉及一种基于深度卷积神经网络的红外目标分类方法和装置。

背景技术

空间红外探测系统通常对于目标识别算法的可靠性要求非常高，基于深度神经网络的方法能够有效提高识别算法的精度，但很难从理论上去证明网络的有效性和可靠性，其中存在很多的不确定性因素，比如训练数据在收集过程可能存在系统性偏差，导致网络学习到一些虚假的关联，从而做出错误的决策，由此造成的损失是巨大的。因此在采用卷积神经网络设计识别算法时有必要探讨网络的可解释性，最大程度去理解网络如何做出决策，减少不确定性。同时通过网络增加对观测数据中因果关系的理解，获取更多有用的信息，有助于进一步设计更为完善的识别算法。

目前，对于图像分类的可视化解释研究较多，但由于点目标在图像中包含信息过少，基于图像的可视化解释方法并不适用。通过多帧图像的累积，可以获得点目标的灰度时间序列，而目标的灰度时间序列与红外辐射强度序列具有等价性，因此，可将点目标分类问题转化为基于目标红外辐射强度序列的分类，目前关于深度神经网络在目标红外辐射强度序列问题上的可解释性研究还没有，因此无法保证红外目标分类的可靠性。

发明内容

基于此，有必要针对上述技术问题，提供一种能够解决无法保证红外目标分类可靠性的基于深度卷积神经网络的红外目标分类方法和装置。

一种基于深度卷积神经网络的红外目标方法，所述方法包括：

根据红外目标数据构建目标数据库，根据所述目标数据库确定用于模型训练的训练集和测试集；

根据所述训练集对预先设置的深度卷积神经网络进行训练，得到所述深度卷积神经网络的训练参数；所述深度卷积神经网络的全连接层采用全局平均池化层替代；

根据所述测试集中的红外目标数据和所述训练参数，对所述深度卷积神经网络进行测试，得到类激活值；

将所述类激活值映射至所述红外目标数据对应的原始序列，得到类激活可视化图；

根据所述类激活可视化图，对训练好的深度卷积神经网络输出的目标分类结果进行验证。

在其中一个实施例中，还包括：根据点源红外辐射理论，仿真生成目标的红外辐射强度序列；根据所述红外辐射强度序列构建目标数据库。

在其中一个实施例中，还包括：将所述类激活值映射至所述红外目标数据对应的红外辐射强度序列；根据映射值的大小，设置对应的颜色，得到类激活可视化图。

在其中一个实施例中，还包括：设置深度卷积神经网络的网络参数；所述网络参数包括：卷积层滤波器数量以及卷积核参数；初始化所述深度卷积神经网络；根据所述训练集对所述深度卷积神经网络进行训练，当达到预先设置的训练条件，停止训练，得到所述深度卷积神经网络的训练参数。

在其中一个实施例中，还包括：将所述测试集中的红外目标数据输入通过所述训练参数设置的深度卷积神经网络中，获取所述深度卷积神经网络最后一层卷积层的输出特征值；提取所述训练参数中所述深度卷积神经网络的输出层的权值矩阵；根据所述输出特征值和所述权值矩阵，得到类激活值为：

其中，M_c表示类激活值，w表示权值矩阵，C_out(k)表示输出特征值。