[发明专利]一种基于GoogLeNet的红外图像识别方法

权利要求书

1.一种基于GoogLeNet的红外图像识别方法，其特征在于，所述红外图像识别方法包括以下步骤：

步骤一、数据增强：对红外数据集进行数据增强，包括像素级调整、模拟对象遮挡以及多图像拼接；

步骤二、改进GoogLeNet基本单元结构，搭建浅层Inception结构和深层Inception结构，其中，包含4层浅层Inception结构和4层深层Inception结构，

具体的，构建GoogLeNet基本单元Inception结构，分为浅层Inception和深层Inception，浅层Inception分成5个分支，分别为7*7卷积分支，5*5卷积分支，3*3卷积分支，池化分支，1*1卷积分支，并分别使用1*1卷积核进行参数降维，深层Inception结构使用3个1*3、3*1卷积组合替换7*7卷积核，2个1*3、3*1卷积组合替换5*5卷积核，1个1*3、3*1卷积组合替换3*3卷积核；

步骤三、引入空间注意力机制：使用空间注意力机制，牺牲少量的计算时间来提高模型的分类准确率，具体的，前一层Inception结构的输出经过SAM分支得到权重参数，尺寸与输入特征图尺寸完全一样，再与原图相乘，将结果送到下一个Inception结构，从而得到浅层特征图和深层特征图；

步骤四、引入特征金字塔融合：将浅层特征图和深层特征图进行加权融合，提高网络的识别精度和对于不同尺度目标的识别能力；

步骤五、引入Focal loss损失函数，并加入L1正则项：

loss＝-ya(1-y')^γlogy'-(1-y)(1-a)y'^γlog(1-y')+λ(||W||₂+||b||₂)

式中y为标签值，y'为预测值，a是平衡因子，用于平衡正负样本本身的比例不均，γ负责控制难易样本的权重，λ为正则化系数；

步骤六、引入Mish激活函数：使用Mish激活函数替换ReLU函数；

步骤七、使用迁移学习：使用ImageNet数据集对模型进行初始化，并将预训练好的模型参数迁移到红外数据集，进行参数微调；

步骤八、进行红外图像识别：使用微调后的网络模型对红外数据集进行识别，得到识别结果。

2.根据权利要求1所述的一种基于GoogLeNet的红外图像识别方法，其特征在于，在步骤一中，所述像素级调整包括光度畸变和几何畸变，模拟对象遮挡分为像素级遮挡和区域级遮挡，多图像拼接包括像素级拼接和区域级拼接。

3.根据权利要求2所述的一种基于GoogLeNet的红外图像识别方法，其特征在于，所述光度畸变包括调整图像的亮度和加入噪声；所述几何畸变包括随机缩放、剪切、翻转和反旋转；所述像素级遮挡，即随机选择图像中的某一些点，填充一个随机的或互补的零值；所述区域级遮挡，即随机或均匀地选择图像中的多个矩阵区域，并将其全部替换为0；所述像素级拼接，即使用两个图像以不同的系数相乘并叠加，使用该系数值作为标签；所述区域级拼接，即将剪切后的图像覆盖到其他图像的矩阵区域，并根据混合区域的大小调整标签。

4.根据权利要求1所述的一种基于GoogLeNet的红外图像识别方法，其特征在于，在步骤二中，引入7*7的卷积核分支，提高网络的感受野大小，使用1*1卷积核进行参数降维，在网络深层结构使用3*1和1*3的卷积组合替换3*3、5*5、7*7的卷积核。

5.根据权利要求1所述的一种基于GoogLeNet的红外图像识别方法，其特征在于，在步骤三中，前一层Inception结构的输出分成两条分支，一条经过两次3×3的卷积操作后，使用Sigmoid激活函数映射到[0,1]区间得到注意力图，另一条分支将Inception输出直接与注意力图进行相乘，得到下一层Inception的输入。