[发明专利]一种基于先验知识的细粒度目标分类方法

权利要求书

1.一种基于先验知识的细粒度目标分类方法，其特征在于，包括如下步骤：

步骤1，采集港口图像并对舰船的类别进行标注后，按照标注类别对舰船进行提取，形成舰船分类数据集，并将所述舰船分类数据集分为训练集和测试集；

步骤2，根据经纬度信息，统计所述港口图像对应的港口地点，分析不同港口地点中可能停放的舰船目标类型清单，所述目标类型清单包括目标经纬度范围和目标类型名称；

步骤3，对所述训练集的数据进行训练，得到舰船分类模型；

步骤4，利用所述舰船分类模型，对所述测试集的数据进行测试，得到遥感影像中的舰船分类结果。

2.根据权利要求1所述的一种基于先验知识的细粒度目标分类方法，其特征在于，所述步骤3包括：

步骤3-1，若所述舰船分类数据集中的港口数为N，第n个港口所包含的舰船总类别数为k_n，采用基础的ResNet101网络作为特征提取网络，全连接层作为最后分类输出向量，所述特征提取网络的输出结果表示为：

其中，表示预测为第n个港口的第k_n种类别舰船的模型输出值，表示预测为第n个港口的模型输出值；

假设目标属于第n个港口的第k_n种类别，则输出结果所对应的真值向量中只有为1，其他都为0；

步骤3-2，利用交叉熵计算全连接层的损失函数loss：

步骤3-3，按照不同的港口将输出向量分为N个组(g₁,g₂,...,g_N)，其中每个组对应的真值向量表示为如果目标属于第n个港口的第k_n种类别，则为1，计算每个组的损失函数

步骤3-4，将每组的损失函数与全连接层的损失函数相加得到总的损失函数loss_all，利用所述总的损失函数loss_all进行模型的迭代更新：

3.根据权利要求1所述的一种基于先验知识的细粒度目标分类方法，其特征在于，所述步骤4包括：

步骤4-1，如步骤3-1所述，假设模型在全连接层输出的值表示为根据以下公式，计算每个港口的输出概率

步骤4-2，计算所述输出概率中的最大值，获得所述输出概率中的最大值对应的港口序号n；

步骤4-3，根据以下公式，计算第n个港口的k_n种舰船类别的概率值

步骤4-4，计算所述第n个港口的k_n种舰船类别的概率值中的最大值，获得所述第n个港口的k_n种舰船类别的概率值中的最大值对应的类别；

步骤4-5，进入所述舰船分类模型中的类别判断模块，将目标所占的长宽像素点和该目标所在的遥感影像的分辨率相乘，得到所述目标的长h和宽w与标准长h_ref和标准宽w_ref，根据以下公式，对比得到长宽误差比error：

步骤4-6，判断所述长宽误差比error是否大于预设阈值，根据判断结果，确定所述遥感影像中的舰船分类结果。

4.根据权利要求3所述的一种基于先验知识的细粒度目标分类方法，其特征在于，所述步骤4-6包括：

若所述长宽误差比error大于预设阈值，则确定该分类有误；

所述长宽误差比error小于或等于预设阈值，则确定该类别为目标类别。

5.根据权利要求4所述的一种基于先验知识的细粒度目标分类方法，其特征在于，所述步骤4-6还包括：

在确定该分类有误时，回到所述步骤4-4取剩下的最高概率值类别，循环直到找到所述长宽误差比error小于预设阈值的类别；

如果找不到所述长宽误差比error小于预设阈值的类别，即表示所述目标类别在训练数据范围之外，将所述目标类别判定为不在舰船目标类型清单中的未知类别。