[发明专利]一种基于先验知识的细粒度目标分类方法

说明书

本发明提供了一种基于先验知识的细粒度目标分类方法，包括：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，并将舰船分类数据集分为训练集和测试集；根据经纬度信息，统计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，目标类型清单包括目标经纬度范围和目标类型名称；对训练集的数据进行训练，得到舰船分类模型；利用舰船分类模型，对测试集的数据进行测试，得到遥感影像中的舰船分类结果。相对于现有技术，达到了提升提示舰船识别的准确率的效果。

技术领域

本发明涉及图像分类技术领域，尤其涉及一种基于先验知识的细粒度目标分类方法。

背景技术

现有的遥感影像数据分类方法主要是通过深度学习网络提取目标本身的特征进行判 别。但是在卫星遥感影像中，受限于遥感影像分辨率，舰船细节信息丢失，炮台，控制台，停机坪等等关键部位难以识别。这些因素使得传统深度学习模型例如ResNet152，DenseNet161，或者目标检测模型Faster RCNN，Retinanet，Mask RCNN难以提取不同舰 船类别的有效特征。

发明内容

针对上述图像分类中完全从目标本身的特征出发，难以有效进行细粒度目标分类的 问题，本发明的目的在于提供一种基于先验知识的细粒度目标分类方法。

实现本发明目的的技术方案为：基于先验知识的细粒度目标分类方法，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；具体的，本发明中，所述港口图像可通过googe earth中对美军的港口图像进行采集，采集之后，对其中 停放的舰船的类型进行标注。

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。

进一步地，在一种实现方式中，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：

进一步地，在一种实现方式中，所述步骤4包括：