[发明专利]基于空-时联合卷积的SAR序列图像分类方法

权利要求书

1.基于空-时联合卷积的SAR序列图像分类方法，其特征在于，包括如下：

(1)生成样本集：即从公开网络的MSTAR数据集中，选取雷达在17°俯仰角下观测到的3671幅SAR图像及相应的标签，组成原始训练样本集；选取雷达在15°俯仰角下观测到的3203幅SAR图像及相应的标签，组成原始测试样本集；

(2)生成训练序列样本集：

(2a)围绕原始训练样本集中每幅SAR图像的中心，将每幅SAR图像裁剪为60×60个像素,得到裁剪后的训练样本集；

(2b)将裁剪后的训练样本集，按每15幅SAR图像分为一组，并使用滑窗法，生成包含3531组序列的训练序列样本集；

(3)构建空-时联合卷积网络：

(3a)构建一个由4组3D扩张卷积层-3D池化层结构依次级联的深度卷积神经网络，其中：前三组中的每一组卷积层和池化层之间设有相应的批归一化BN、使用ReLU函数进行激活变换和dropout这三种操作，最后一组中的卷积层和池化层之间设有相应的批归一化BN和使用ReLU函数进行激活变换这两种操作；

(3b)设置各组参数：将深度卷积神经网络按照时间、图像高度、图像宽度这三个维度排列，第一组卷积层的卷积核大小为2×4×4个像素，扩张系数为1,3,3，卷积核数量是128个；后三组卷积层的卷积核大小均为2×3×3个像素，扩张系数分别为2,2,2、4,2,2、8,1,1，卷积核数量分别为256个、512个、10个；四组池化层的核窗口大小均为1×2×2个像素；

(3c)将最后一组结构中的池化层连接至一个softmax分类器，得到一个空-时联合卷积网络；

(4)将训练序列样本集输入到空-时联合卷积网络进行训练，得到训练好的空-时联合卷积网络；

(5)生成测试序列样本集：

(5a)围绕原始测试样本集中每幅SAR图像的中心，将每幅SAR图像裁剪为60×60个像素,得到裁剪后的测试样本集；

(5b)将裁剪后的测试样本集，按每15幅SAR图像分为一组，并使用滑窗法，生成包含3063组序列的测试序列样本集；

(6)将生成的测试序列样本集，输入训练好的空-时联合卷积网络进行测试，得到网络输出的分类结果。

2.根据权利要求1所述的方法，其中所述(2b)的实现如下：

(2b1)将裁剪后的样本集所有SAR图像排成一行，得到样本集总序列；

(2b2)使用长度为15幅SAR图像，宽度为1幅SAR图像的矩形滑窗，以1幅SAR图像的步长在样本集总序列上滑动，取出滑窗内的所有SAR图像序列，构成混合序列样本集；

(2b3)删去混合序列样本集中跨越两类不同标签的序列样本，得到生成的序列样本集，该序列样本的标签与裁剪后样本集的标签一一对应。

3.根据权利要求1所述的方法，其中(3a)中的3D扩张卷积层，采用3D卷积核，即在时间、图像高度、图像宽度三维进行卷积操作，且该卷积核是以扩张系数给小卷积核中每对相邻元素间填充零元素得到的，其生成的特征图按时间维度排列。

4.根据权利要求1所述的方法，其中(3a)中的3D池化层，采用3D最大值进行池化，即在输入三维特征图上滑动3D池化核，选取核内最大值作为输出。

5.根据权利要求1所述的方法，其中(3c)所述的将最后一组结构中的池化层连接至一个softmax分类器，是采用致密连接，即令最后一层的卷积核数量等于分类标签个数，卷积核大小等于输入特征图的大小，得到长度与分类标签个数相等的输出向量，将该向量输入到softmax分类器。

6.根据权利要求1所述的方法，其中(4)所述的将训练序列样本集输入到空-时联合卷积网络进行训练，是按照前向传播-误差反向传播的方法进行训练，实现如下：

(4a)初始化网络中各卷积层的卷积核权值和偏置，输入特征图经3D扩张卷积并激活，将其产生的输出特征图作为3D池化层的输入，将3D池化层的输出作为下一组3D扩张卷积层的输入特征图，依次逐层沿网络结构进行计算至最后一组池化层的输出；取最后一组池化层输出的每个特征向量的最后一个元素，组成长度为K的输出向量，通过softmax分类器，得到网络输出；

(4b)将交叉熵函数定义为网络的损失函数，具体形式为：

其中，w为网络中所有可训练的参数，y_k是网络输出，t_k是样本的真实标签；

(4c)沿损失函数L(w)的负梯度方向对权值w进行更新，更新公式为：

w^new＝w^old-ηΔL(w^old)

其中，w^new是更新得到的权值，w^old是更新前的权值，η是学习率，ΔL(w^old)是损失函数L(w)对w^old的偏导，即

(4d)使用更新后的权值w^new再次进行(4a)-(4c)的计算过程，如此进行多次迭代更新，当损失函数L(w)稳定收敛后，停止迭代，得到权值w的最优值，即得到训练好的网络。