[发明专利]一种基于深度改进残差网络的SAR图像分类方法

说明书

本发明公开了一种基于深度改进残差网络的SAR图像分类方法，首先准备用于训练和测试的SAR图像数据训练集和测试集，两种数据都包括十类目标，每类目标包括多张SAR图像。建立深度残差网络模型，改进了残差模块，在传统残差模块的基础上进行三次跳跃性连接，增加了连接的分支数。深度残差网络模型包含依次顺序连接的输入层Input、残差与下采样组合、全连接层以及输出层Output，残差与下采样组合包括依次连接的多重连接残差模块和下采样模块DS，多重连接残差模块包括三个非线性处理子模块。用训练集对深度残差网络模型进行训练，然后用测试集对训练好的深度残差网络模型进行测试，并输出目标分类结果。本发明不仅继承了ResNet的易学习的优点，还加强了特征的传播利用率，有效提高了SAR图像目标分类的精度和速度。

技术领域

本发明涉及一种基于深度改进残差网络的SAR图像分类方法，属于机器视觉技术领域。

背景技术

随着人工智能的快速发展，卷积神经网络(Conventional Neural Network，CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像处理领域受到了越来越多的应用，尤其在图像分类方面效果十分明显。与传统的图片特征提取方式不同，CNN通过共享卷积核进行自适应的图片特征提取，该过程不需要复杂计算和人工干预，解决了特征选取困难的问题。

但是随着CNN网络深度的增加，网络模型的训练显得越来越困难，模型出现难收敛或者不收敛的问题，而且还会出现模型退化的现象，即深度较深的模型效果不如较浅的模型。残差网络(Residual Network,ResNet)的提出有利于解决这个问题，该网络的最大优势在于设计了残差模块结构，输入可以跳跃式地跨层前向传播。如何设计出更加有效的深度残差网络模型，从而更好地解决深度CNN网络的模型训练问题，是科研人员面临的一个问题。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于深度残差网络的SAR 图像分类方法，在深度残差网络的训练过程中，网络梯度变化主要是由残差网络的分支主导的。本发明在传统残差网络的基础上设计出了多个分支结构的深度残差网络模型，提高了残差模块的跳跃性连接分支数，并命名为密集连接型残差网络(DenselyConnected Residual Network,DCResNet)，用于SAR图像中的车辆目标识别，其目的在于提高网络训练效率，缩短网络训练时间。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于深度改进残差网络的SAR图像分类方法，包括以下步骤：

步骤1、准备用于训练的SAR图像数据，训练数据包括多类目标，每类目标包括多张SAR 图像，然后对训练数据进行图像预处理，并为每张SAR图像建立标签，得到训练集。

步骤2、准备用于测试的SAR图像数据，测试数据包括多类目标，每类目标包括多张SAR 图像，然后对测试数据进图像行预处理，得到测试集。

步骤3、建立深度残差网络模型：

深度残差网络模型包括依次顺序连接的输入层Input、残差与下采样组合、全连接层以及输出层Output，其中，所述残差与下采样组合为四个，分别为残差与下采样组合一MC_DS_1、残差与下采样组合二MC_DS_2、残差与下采样组合三MC_DS_3和残差与下采样组合四MC_DS_4，全连接层为两个，分别为全连接层一FC_1和全连接层二FC_2。

残差与下采样组合包括依次连接的多重连接残差模块和下采样模块DS，所述多重连接残差模块有三个，分别为多重连接残差模块一MC_1、多重连接残差模块二MC_2和多重连接残差模块三MC_3。