[发明专利]基于卷积神经网络及微调的SAR图像分类方法

权利要求书

1.基于卷积神经网络及微调的SAR图像分类方法，其特征在于该方法具体如下：

步骤(1).数据集的获取及预处理：

采用美国MSTAR数据集，MSTAR数据集中的目标是雷达工作在多种不同的俯仰角时，各个目标在方向上面的成像图片；选用的是标准工作条件下采集的共10类地面军事车目标；该数据集包含一个推荐的训练集和测试集；

将原始的数据集沿目标中心裁剪成100*100的大小，并使用剪切变换、旋转变换、缩放、水平翻转进行数据增强，获取图像数量更多的数据集；

步骤(2).确定卷积神经网络模型：

选用的卷积神经网络模型为ResNet50卷积神经网络,残差网络更容易优化并且能够通过增加相当的深度来提高准确率；

步骤(2.1).预训练：

在ImageNet数据集上对卷积神经网络ResNet50进行预训练；

步骤(2.2).对卷积神经网络ResNet50进行微调：

具体操作是，将深度卷积神经网络ResNet50的前45层固定，这些层的参数不参加训练，只训练输出层以及靠近输出层的卷积层；

微调时，采用随机梯度下降进行优化；确定了损失函数以后，目标就是最小化损失函数，对每一个参数求偏导，得到当前一轮的梯度，然后损失函数按梯度的反方向进行更新，不断这样进行迭代更新，得到超参数的全局最优解，

步骤(2.3).非线性变换：

激活函数采用ReLu函数，定义为：

当时，ReLu硬饱和；

当时，则不存在不饱和问题；

步骤(3).SAR图像分类：

卷积神经网络网络ResNet50通过训练得到SAR图像的特征信息，再用softmax分类器将进行分类，通过输出概率得到最终的分类结果；

记卷积神经网络ResNet50的最终输出为h_i(c)，即样本i的预测结果；

通过softmax函数得到网络预测概率p_i(c)：m为总类别C中的一类；

根据样本的预测结果和真实结果产生的误差，目标函数通过反向传播方法进行卷积神经网络参数学习，根据预测结果和真实标记之间产生的误差，不断向前层传递即反向传播，卷积神经网络参数将不断更新，从而完成卷积神经网络模型训练，最后根据网络预测概率p_i(c)实现对SAR图像的结果分类。

2.如权利要求1所述的基于卷积神经网络及微调的SAR图像分类方法，其特征在于，加载训练好的卷积神经网络模型ResNet50，即不含全连接层的版本，全连接层设定256个节点，输出层限定为10个类别，限定模型前45个层的参数固定，epoch设定为200，batch_size设定为16。