[发明专利]一种基于卷积神经网络的细粒度遥感舰船开集识别方法

权利要求书

1.一种基于卷积神经网络的细粒度遥感舰船开集识别方法，其特征在于：所述方法通过以下步骤实现：

（1）对MMAL-Net网络的特征提取网络进行改造：

使用COT模块直接替换MMAl-Net特征提取网络resnet50网络中ResLayer2、ResLayer3、ResLayer4和ResLayer5的3*3卷积，使输出为局部静态上下文建模的K¹与全局动态上下文建模的K²的融合；

（2）对MMAL-Net网络的分支结构进行改造，MMAL-Net共有三个分支：原始分支，目标分支和局部分支，根据细粒度遥感舰船的特性，由原始分支分化出目标定位精准的目标分支和获取细微差异区域的局部分支；

（2-1）搭建原始分支结构：输入为原始的遥感舰船，采用改进后的网络提取特征得到特征图F，在ResLayer5后加入ECA block对得到的特征图F进行通道的重要性检测,以此得到注意图A，A用于指导目标分支的生成；

（2-2）搭建目标分支结构：此分支的输入遥感舰船是由原始图片剪裁得到的，同原始分支一样得到特征图F_s1，将ECA block嵌入到ResLayer5中得到注意力图A_S1，采用逐元素点乘的方法将注意力图和特征图融合得到注意力特征矩阵Fs:Fs=A_S1F_s1，后连接全连接层用于分类；

（2-3）搭建局部分支结构：在目标分支的ECA block后添加ASPP模块扩大感受野，丰富特征图信息，根据得到的特征图F_s2从目标遥感舰船中剪裁几个差异大、冗余度小的局部区域作为输入；

（3）将开集分类算法引入到卷积神经网络的细粒度遥感舰船识别中：

使用改造后的openmax代替原网络中的softmax层进行分类；

对改造后MMAL-Net网络进行训练和测试：

将细粒度遥感舰船数据集按照一定比例划分为已知类别，其余为未知类别，对已知类别的数据进行训练，训练阶段使用三个分支，剖析整个网络训练的损失函数，若不收敛则不断迭代更新网络参数调整网络结构，重新对网络进行训练，若整个网络趋于收敛则得到卷积神经网络的细粒度遥感舰船开集识别网络模型，测试时的数据集既含训练集中的已知类别也包含未知类别，对混合后的数据集进行测试可以正确划分已知类别且正确拒绝未知类别，为了提高测试速度，测试阶段仅使用原始分支和目标分支，取目标分支的结果为最终结果，通过比较和评价最终结果，实现对细粒度遥感舰船的开集识别，最终进行分析和总结。

2.根据权利要求1所述一种基于卷积神经网络的细粒度遥感舰船开集识别方法，其特征在于：所述的网络特征提取结构为：使用COT模块直接替换MMAl-Net特征提取网络resnet50网络ResLayer2、ResLayer3、ResLayer4和ResLayer5中的3*3卷积，输出为局部静态上下文建模K¹与全局动态上下文建模K²的融合。

3.根据权利要求1所述一种基于卷积神经网络的细粒度遥感舰船开集识别方法，其特征在于：所述步骤（2-1）中：将ECA block嵌入到resnet50的ResLayer5中得到注意力图A，在注意力图A的指导下从原始遥感舰船中剪裁目标主体作为目标分支输入。

4.根据权利要求1所述一种基于卷积神经网络的细粒度遥感舰船开集识别方法，其特征在于：所述步骤（2-2）中：采用逐元素点乘的方法将嵌入ECA block后得到的注意力图A_S1和特征图F_s1融合得到注意力特征矩阵Fs:Fs=A_S1F_s1。

5.根据权利要求1所述一种基于卷积神经网络的细粒度遥感舰船开集识别方法，其特征在于：将开集分类算法引入到多分支的细粒度遥感舰船识别中：openmax最后分类时的输入是拟合模型预测得到的分数，进行阿尔法的值计算并取其均值与测试得到的dense向量对应每个类别与其之间的距离的乘积。