[发明专利]一种基于对比学习的细粒度舰船识别方法

权利要求书

1.一种基于对比学习的细粒度舰船识别方法，其特征在于包括如下步骤：

S1：采集舰船图像，构建分类数据集；

S2：对舰船图像采用种不同的数据增强方式，获得对应的舰船图像集合，并标记新生成的舰船图像所采用的数据增强方式类别；

S3：构建孪生分类网络，包括如下步骤：

S3.1：使用预训练过的骨干网络，提取舰船图像特征；

S3.2：构建等变特征提取网络头，对骨干网络输出的特征进行全局平均池化，并通过全连接层输出舰船图像采用的数据增强方式类别，采用交叉熵损失函数，指导等变特征提取网络头的学习；

S3.3：构建判别性特征提取网络头，对骨干网络输出的特征进行全局平均池化，并通过全连接层输出舰船图像所属类别，采用交叉熵损失函数，指导判别性特征提取网络头的学习；

S3.4：构建多维融合特征提取网络头，对骨干网络输出的特征进行全局平均池化，将同一舰船图像集合内的舰船图像所提取的特征，进行拼接，将拼接后的特征输入全连接层，输出多维融合特征向量；

S4：将舰船图像集合，根据分类数据集的分类，依次组合成同类与非同类舰船图像集合对，交替输入孪生分类网络进行拟合训练，对输出的多维融合特征向量，进行相似度比较；

采用对比损失函数，结合相似度比较计算方法，指导特征空间的学习，使正样本相似，负样本有效区分；

训练阶段，通过损失函数、和，联合指导网络参数的迭代，直到总损失函数值变化小于变化阈值，总损失函数的计算公式如下：

其中分别代表三个损失函数的权重值；

S5：推理阶段，将待测舰船图像与其经过数据增强处理后的舰船图像分别输入孪生分类网络，统计判别性特征提取网络头输出的分类结果。

2.根据权利要求1所述的一种基于对比学习的细粒度舰船识别方法，其特征在于所述S3.2中，所述交叉熵损失函数计算公式如下：

表示样本总个数，表示第个样本的数据增强方式类别标签，表示第个样本的数据增强方式类别预测概率值。

3.根据权利要求1所述的一种基于对比学习的细粒度舰船识别方法，其特征在于所述S3.3中，所述交叉熵损失函数计算公式如下：

表示样本总个数，表示第个样本的真实类别标签，表示第个样本的类别预测概率值。

4.根据权利要求1所述的一种基于对比学习的细粒度舰船识别方法，其特征在于所述S4中，采用余弦相似度函数进行相似度比较，相似度函数计算公式如下：

A、B分别表示舰船图像集合对中的两个多维融合特征向量，、分别表示向量和的各分量。

5.根据权利要求4所述的一种基于对比学习的细粒度舰船识别方法，其特征在于所述S4中，对比损失函数计算公式如下：

,表示一个舰船图像集合对中，样本与样本的真实标签，表示样本与样本所生成的多维融合特征向量之间的相似度，是超参数，表示不同类样本之间的距离需超过该阈值。

6.根据权利要求1所述的一种基于对比学习的细粒度舰船识别方法，其特征在于所述S1中，对所述分类数据集，构建训练集、验证集与测试集，在训练阶段采用训练集与验证集。

7.根据权利要求1所述的一种基于对比学习的细粒度舰船识别方法，其特征在于所述S2中，所述数据增强方式包括顺时针旋转90度、顺时针旋转180度、上下翻转、左右翻转、彩色图转灰度图。

8.根据权利要求1所述的一种基于对比学习的细粒度舰船识别方法，其特征在于所述S3.1中，使用经过ImageNet预训练过的ResNet101作为骨干网络，用于提取舰船图像特征。

9.根据权利要求1所述的一种基于对比学习的细粒度舰船识别方法，其特征在于所述S4中，权重值。

10.根据权利要求1所述的一种基于对比学习的细粒度舰船识别方法，其特征在于所述S5输出分类结果后，采用投票的方式判断舰船图像所属类别，若出现同票，则根据类别概率大小决定最终类别结果。