买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明授权】带有ASPP反卷积网络的SAR图像分类方法_西安电子科技大学_201910829626.6 

申请/专利权人:西安电子科技大学

申请日:2019-09-03

公开(公告)日:2022-12-02

公开(公告)号:CN110414494B

主分类号:G06V20/13

分类号:G06V20/13;G06V10/774;G06V10/764;G06V10/82;G06N3/04;G06N3/08

优先权:["20190125 CN 2019100710516"]

专利状态码:有效-授权

法律状态:2022.12.02#授权;2019.11.29#实质审查的生效;2019.11.05#公开

摘要:本发明公开了一种带有ASPP反卷积网络的SAR图像分类方法,主要解决在对SAR图像分类过程中分类准确率不高、分类效率低、操作复杂的问题。本发明的具体步骤如下:1读取训练图像和测试图像;2生成训练集和测试集;3构建带有空洞空间金字塔池化ASPP的反卷积网络;4训练带有空洞空间金字塔池化ASPP的反卷积网络;5对测试图像进行分类。本发明克服了现有SAR图像分类算法中无法充分利用多尺度目标信息、无法实现端到端分类的问题,具有分类准确率高、分类快速、操作简单的优点。

主权项:1.一种带有ASPP反卷积网络的SAR图像分类方法,其特征在于,读取训练图像和测试图像,生成训练集和测试集,构建带有空洞空间金字塔池化ASPP的反卷积网络,训练带有空洞空间金字塔池化ASPP的反卷积网络,对测试图像进行分类,该方法的步骤包括如下:1读取训练图像和测试图像:读取两幅包含相同地物目标的SAR图像数据分别作为训练图像和测试图像,读取的任一幅SAR图像数据中包含至少三类地物目标,且训练图像任意两类地物目标中像素点数目较多的一类与像素点数目较少的一类的像素点数目比值控制在1至1.5的范围内;2生成训练集和测试集:2a构建一个大小为90×90像素的滑窗;2b将滑窗放在训练图像的左上角,按从左到右、从上到下的顺序依次滑动,滑动步长为10个像素,将滑动结果中与滑窗重合的训练图像区域作为一个训练图像像素块;2c统计每个训练图像像素块内所有像素点中每种类别的数目,将类别的数目大于等于滑窗像素点总数的0.5倍的类别作为该像素块的类别,构成一个样本;2d将每种类别的所有样本构成该类的训练数据集;2e对每类训练数据集合随机打乱顺序并随机选取相同数目的样本,组成初始训练样本集,其中每类选取的训练样本数不低于2500个;2f将初始训练样本集中的每个训练样本的中心像素点作为中心,顺时针旋转90度,得到第一扩充集;2g对初始训练样本集中的每个训练样本添加均值为0,标准差为0.1的高斯噪声,得到第二扩充集;2h将初始训练样本集、第一扩充集、第二扩充集组成训练集;2i将滑窗放在测试图像5个不同的起始位置,按从左到右、从上到下的顺序依次滑动,滑动步长为90个像素,将滑动结果中与滑窗重合的测试图像区域作为一个测试图像像素块,分别组成第一、二、三、四、五测试集;3构建带有空洞空间金字塔池化ASPP的反卷积网络:3a搭建一个反卷积网络,其结构依次为:输入层→卷积层1→池化层→嵌套式模块→拼接层1→卷积层2→上采样层→输出层;所述的嵌套式模块由第一个空洞空间金字塔池化ASPP与支路1并行组成,支路1的结构依次为卷积层3→嵌套式子模块1→拼接层2→卷积层4→反卷积层1;所述的嵌套式子模块1由第二个空洞空间金字塔池化ASPP与支路2并行组成;支路2的结构依次为卷积层5→嵌套式子模块2→拼接层3→卷积层6→反卷积层2;所述的嵌套式子模块2由第三个空洞空间金字塔池化ASPP与支路3并行组成;支路3的结构依次为卷积层7→第四个空洞空间金字塔池化ASPP→反卷积层3;3b设置反卷积网络的参数;4训练带有空洞空间金字塔池化ASPP的反卷积网络:将训练集输入到带有空洞空间金字塔池化ASPP的反卷积网络中,训练带有空洞空间金字塔池化ASPP的反卷积网络,直到网络参数收敛,得到训练好的反卷积网络;5对测试图像进行分类:5a依次分别将第一、二、三、四、五测试集输入到训练好的反卷积网络中,得到每个测试集的初始分类像素块;5b从所有初始分类像素块中找到每个像素点对应位置出现次数最多的标号作为该像素点的类别,得到最终分类像素块,将该最终分类像素块作为测试图像的最终分类结果。

全文数据:带有ASPP反卷积网络的SAR图像分类方法技术领域本发明属于图像处理技术领域,更进一步涉及图像分类技术领域中的一种带有空洞空间金字塔池化ASPPAtrousSpatialPyramidPooling反卷积网络的合成孔径雷达SARSyntheticApertureRadar图像分类方法。本发明可用于对合成孔径雷达SAR图像中的地物目标类型进行分类,地物目标类型诸如建筑区域、农田区域、机场跑道区域。背景技术合成孔径雷达SAR因其全天时、全天候、穿透力强等特点,SAR成像技术得到了广泛的研究。由此SAR成像技术不断成熟,获得的图像分辨率越来越高。SAR图像分类是雷达图像处理技术领域的一个重要分支。SAR图像分类是对SAR图像中不同的地物目标,如建筑区域、农田区域、机场跑道区域,利用不同的纹理特征实现分类。SAR图像分类中所选取的特征决定了分类结果的好坏,常用的纹理特征包括均值、方差、熵、能量和灰度共生矩阵等。深度学习方法能够自动提取有效特征,解决了传统方法中人工选取特征难的问题,目前已经被广泛应用于SAR图像分类。常用的深度学习分类方法包括基于卷积神经网络的分类方法、基于深度置信网络的分类方法、基于反卷积神经网络的分类方法等。西安电子科技大学在其申请的专利文献“基于超像素分割和卷积反卷积网络的SAR图像分类方法”专利申请号:201810512092.X,申请公布号:CN108764330A中公开了一种基于超像素分割和卷积反卷积网络的SAR图像分类方法。该方法首先将SAR图像数据送入卷积反卷积网络,得到图像的初始分类结果,将SAR图像数据的超像素分割结果与初始分类结果相结合得到最终分类结果。该方法利用超像素分割平滑SAR图像的初始分类结果,克服了基于深度学习的SAR图像分类方法中分类耗时长的问题,提高了SAR图像的分类精度。但是,该方法仍然存在的不足之处是,将SAR图像数据送入卷积反卷积神经网络,没有充分利用SAR图像的多尺度目标信息,SAR图像分类准确率仍不够高。合肥工业大学在其申请的专利文献“一种基于纹理特征和DBN的SAR图像分类方法”专利申请号:201710652513.4,申请公布号:CN107506699A中公开了一种基于纹理特征和DBN的SAR图像分类方法。该方法主要将灰度图像块的GLCM特征和原始数据图像块的GMRF特征及图像的强度信息送入深度置信网络DBN,得到图像的分类结果。该方法引入图像的纹理特征辅助DBN网络分类,克服了基于深度学习的SAR图像分类方法只利用图像强度信息的问题,提高了SAR图像的分类精度。但是,该方法仍然存在的不足之处是,利用图像的纹理特征辅助DBN网络分类,并未直接得到待分类SAR图像的分类结果,无法实现端到端的分类,导致操作复杂,并且每次测试仅能得到一个像素点的分类结果,不利于工程实现,SAR图像分类效率低。发明内容本发明的目的在于针对上述现有技术的不足,提出一种带有ASPP反卷积网络的SAR图像分类方法,主要解决在对SAR图像分类过程中分类准确率仍不够高、操作复杂、分类效率低的问题。实现本发明目的的思路是:读取训练图像和测试图像,利用滑窗从训练图像中提取训练数据集并进行数据扩充生成训练集,利用滑窗从测试图像的不同起始位置进行滑动生成测试集,构建带有空洞空间金字塔池化ASPP的反卷积网络,将训练集送入反卷积网络进行训练至网络参数收敛,得到训练好的反卷积网络,分别将起始位置不同的测试集送入训练好的反卷积网络进行分类得到最终分类结果。本发明的具体步骤包括如下:1读取训练图像和测试图像:读取两幅包含相同地物目标的SAR图像数据分别作为训练图像和测试图像,读取的任一幅SAR图像数据中包含至少三类地物目标,且训练图像任意两类地物目标中像素点数目较多的一类与像素点数目较少的一类的像素点数目比值控制在1至1.5的范围内;2生成训练集和测试集:2a构建一个大小为90×90像素的滑窗;2b将滑窗放在训练图像的左上角,按从左到右、从上到下的顺序依次滑动,滑动步长为10个像素,将滑动结果中与滑窗重合的训练图像区域作为一个训练图像像素块;2c统计每个训练图像像素块内所有像素点中每种类别的数目,将类别的数目大于等于滑窗像素点总数的0.5倍的类别作为该像素块的类别,构成一个样本;2d将每种类别的所有样本构成该类的训练数据集;2e对每类训练数据集合随机打乱顺序并随机选取相同数目的样本,组成初始训练样本集,其中每类选取的训练样本数不低于2500个;2f将初始训练样本集中的每个训练样本的中心像素点作为中心,顺时针旋转90度,得到第一扩充集;2g对初始训练样本集中的每个训练样本添加均值为0,标准差为0.1的高斯噪声,得到第二扩充集;2h将初始训练样本集、第一扩充集、第二扩充集组成训练集;2i将滑窗放在测试图像5个不同的起始位置,按从左到右、从上到下的顺序依次滑动,滑动步长为90个像素,将滑动结果中与滑窗重合的测试图像区域作为一个测试图像像素块,分别组成第一、二、三、四、五测试集;3构建带有空洞空间金字塔池化ASPP的反卷积网络:3a搭建一个反卷积网络,其结构依次为:输入层→卷积层1→池化层→嵌套式模块→拼接层1→卷积层2→上采样层→输出层;所述的嵌套式模块由第一个空洞空间金字塔池化ASPP与支路1并行组成,支路1的结构依次为卷积层3→嵌套式子模块1→拼接层2→卷积层4→反卷积层1;所述的嵌套式子模块1由第二个空洞空间金字塔池化ASPP与支路2并行组成;支路2的结构依次为卷积层5→嵌套式子模块2→拼接层3→卷积层6→反卷积层2;所述的嵌套式子模块2由第三个空洞空间金字塔池化ASPP与支路3并行组成;支路3的结构依次为卷积层7→第四个空洞空间金字塔池化ASPP→反卷积层3;3b设置反卷积网络的参数;4训练带有空洞空间金字塔池化ASPP的反卷积网络:将训练集输入到带有空洞空间金字塔池化ASPP的反卷积网络中,训练带有空洞空间金字塔池化ASPP的反卷积网络,直到网络参数收敛,得到训练好的反卷积网络;5对测试图像进行分类:5a依次分别将第一、二、三、四、五测试集输入到训练好的反卷积网络中,得到每个测试集的初始分类像素块;5b从所有初始分类像素块中找到每个像素点对应位置出现次数最多的标号作为该像素点的类别,得到最终分类像素块,将该最终分类像素块作为测试图像的最终分类结果。本发明与现有技术相比具有以下优点:第一,由于本发明使用了四个空洞空间金字塔池化ASPP,分别对特征图进行空洞空间金字塔池化操作,克服了现有技术中存在的算法因多尺度目标信息未充分利用造成的分类准确率不够高的问题,使得本发明提高了SAR图像分类的准确率。第二,由于本发明使用了上采样层对特征图进行上采样操作,可以一次得到一个图像像素块的分类结果,克服了现有技术中存在的算法因每次测试仅能得到一个像素点的分类结果造成的SAR图像分类效率低的问题,使得本发明在SAR图像分类中提高了分类效率。第三,由于本发明直接将测试集输入到训练好的反卷积网络中,得到测试集的初始分类像素块,克服了现有技术中的算法存在的无法实现端到端的分类的问题,使得本发明在SAR图像分类操作简单。附图说明附图1为本发明的流程图;附图2为本发明的网络结构示意图;附图3为本发明仿真实验所用的实测的SAR图像;附图4为本发明仿真实验所用的实测的SAR图像的真实标记图;附图5为本发明仿真实验的分类结果图。具体实施方式下面结合附图对本发明做进一步的描述。参照图1,对本发明实现的具体步骤做进一步的描述。步骤1,读取训练图像和测试图像。读取两幅包含相同地物目标的SAR图像数据分别作为训练图像和测试图像,读取的任一幅SAR图像数据中包含至少三类地物目标,且训练图像任意两类地物目标中像素点数目较多的一类与像素点数目较少的一类的像素点数目比值控制在1至1.5的范围内。步骤2,生成训练集和测试集。构建一个大小为90×90像素的滑窗。将滑窗放在训练图像的左上角,按从左到右、从上到下的顺序依次滑动,滑动步长为10个像素,将滑动结果中与滑窗重合的训练图像区域作为一个训练图像像素块。统计每个训练图像像素块内所有像素点中每种类别的数目,将类别的数目大于等于滑窗像素点总数的0.5倍的类别作为该像素块的类别,构成一个样本。将每种类别的所有样本构成该类的训练数据集。对每类训练数据集合随机打乱顺序并随机选取相同数目的样本,组成初始训练样本集,其中每类选取的训练样本数不低于2500个。将初始训练样本集中的每个训练样本的中心像素点作为中心,顺时针旋转90度,得到第一扩充集。对初始训练样本集中的每个训练样本添加均值为0,标准差为0.1的高斯噪声,得到第二扩充集。将初始训练样本集、第一扩充集、第二扩充集组成训练集。将滑窗放在测试图像5个不同的起始位置,按从左到右、从上到下的顺序依次滑动,滑动步长为90个像素,将滑动结果中与滑窗重合的测试图像区域作为一个测试图像像素块,分别组成第一、二、三、四、五测试集。滑窗放在测试图像5个不同的起始位置是指,以测试图像的左上角作为起始位置得到的测试集为第一测试集;以测试图像左上角向右平移30个像素的位置作为起始位置得到的测试集为第二测试集;以测试图像左上角向右平移60个像素的位置作为起始位置得到的测试集为第三测试集;以测试图像左上角向下平移30个像素的位置作为起始位置得到的测试集为第四测试集;以测试图像左上角向下平移60个像素的位置作为起始位置得到的测试集为第五测试集。步骤3,构建带有空洞空间金字塔池化ASPP的反卷积网络。参照图2,对本发明的网络结构做进一步的描述。搭建一个反卷积网络,其结构依次为:输入层→卷积层1→池化层→嵌套式模块→拼接层1→卷积层2→上采样层→输出层。所述的嵌套式模块由第一个空洞空间金字塔池化ASPP与支路1并行组成,支路1的结构依次为卷积层3→嵌套式子模块1→拼接层2→卷积层4→反卷积层1。所述的嵌套式子模块1由第二个空洞空间金字塔池化ASPP与支路2并行组成;支路2的结构依次为卷积层5→嵌套式子模块2→拼接层3→卷积层6→反卷积层2。所述的嵌套式子模块2由第三个空洞空间金字塔池化ASPP与支路3并行组成;支路3的结构依次为卷积层7→第四个空洞空间金字塔池化ASPP→反卷积层3。第一个、第二个、第三个、第四个空洞空间金字塔池化ASPP的每个结构依次为:并行的4个支路→拼接层→卷积层,所述并行的4个支路中的第1个、第2个、第3个支路均为空洞卷积层,第4个支路的结构依次为池化层→上采样层。空洞空间金字塔池化ASPP的参数设置如下:将第1个、第2个、第3个支路的空洞卷积层的扩张率分别设置为2、4、8个像素,每个空洞卷积核大小均为3×3,每个滑动步长均为1个像素。将第4个支路的池化层的池化方式设置为全局平均池化。将第4个支路的上采样层设置为双线性插值上采样。将卷积层的卷积核大小设置为1×1,滑动步长为1个像素。将拼接层设置为一个矩阵拼接函数。设置反卷积网络的参数。所述的反卷积网络的参数设置如下:将卷积层1的特征映射图的个数设置为32个,卷积核大小为5×5,滑动步长为1个像素。将卷积层2的特征映射图的个数设置为待分类SAR图像所包含地物目标的总类别数,卷积核大小为1×1,滑动步长为1个像素。将卷积层3、5、7的特征映射图的个数分别设置为64、128、256个,每个卷积核大小均为5×5,每个滑动步长均为2个像素。将卷积层4、6的特征映射图的个数分别设置为64、128个,每个卷积核大小均为1×1,每个滑动步长均为1个像素。将池化层的池化方式设置为最大池化,特征映射图的个数为32个,池化窗口大小为2×2,滑动步长为2个像素。将反卷积层1、2、3的特征映射图的个数分别设置为64、128、256个,每个卷积核大小均为5×5,每个滑动步长均为2个像素。将第一个、第二个、第三个、第四个空洞空间金字塔池化ASPP的特征映射图的个数分别设置为32、64、128、256个。将拼接层1、2、3分别设置为一个矩阵拼接函数。将上采样层设置为双线性插值上采样。步骤4,训练带有空洞空间金字塔池化ASPP的反卷积网络。将训练集输入到带有空洞空间金字塔池化ASPP的反卷积网络中,训练带有空洞空间金字塔池化ASPP的反卷积网络,直到网络参数收敛,得到训练好的反卷积网络。步骤5,对测试图像进行分类。依次分别将第一、二、三、四、五测试集输入到训练好的反卷积网络中,得到每个测试集的初始分类像素块。从所有初始分类像素块中找到每个像素点对应位置出现次数最多的标号作为该像素点的类别,得到最终分类像素块,将该最终分类像素块作为测试图像的最终分类结果。本发明的效果可以通过以下仿真实验具体说明。1.仿真实验条件:本发明的仿真实验是在主频2.9GHz的IntelXeonRCPUE3-1535Mv5、内存为31.1GB的硬件环境和MATLABR2017a、Python2.7的软件环境下进行的。2.仿真内容与结果分析:本发明的仿真实验是分别采用本发明与两种现有技术基于多级局部模式直方图MLPH特征的支持向量机SVM分类方法、基于超像素分割和卷积反卷积网络的分类方法分别对实测的SAR图像中的一幅测试图像进行分类。图3为本发明仿真实验所用的实测的SAR图像,其中图3a为实测的一幅训练图像,图3b为实测的一幅测试图像。图4为本发明仿真实验所用的实测的SAR图像的真实标记图,其中图4a为图3a实测的一幅训练图像的真实标记图,图4b为图3b实测的一幅测试图像的真实标记图。图5为本发明仿真实验的分类结果图,其中图5a为本发明对图3b实测的一幅测试图像的分类结果图;图5b为采用现有技术基于MLPH特征的SVM分类方法,对图3b实测的一幅测试图像的分类结果图;图5c为采用现有技术基于超像素分割和卷积反卷积网络的分类方法,对图3b实测的一幅测试图像的分类结果图。对比图5a、图5b、图5c,本发明方法对于图3b实测的一幅测试图像的边界分类更平滑,参照图4b实测的一幅测试图像的真实标记图,可见本发明的分类结果图5a相比现有两种技术的分类结果图5b、图5c更接近真实标记图,说明本发明的分类更准确,分类效果更好。表1是分别利用本发明方法与现有两种技术对图3b实测的一幅测试图像进行分类的性能参数对比,表中的F1表示基于MLPH特征的SVM分类方法,F2表示基于超像素分割和卷积反卷积网络的分类方法,F3表示本发明方法。表中分类准确率为对图3b实测的一幅测试图像进行分类的分类正确的像素点数目,与该测试图像总像素点数目的比值,分类正确是指对测试图像进行分类的分类结果与分类前该测试图像对应的真实标记一致。平均分类准确率为对图3b实测的一幅测试图像进行分类,各类地物目标的分类准确率的均值;运行时间为对图3b实测的一幅测试图像进行分类所用的运行时间。表1.三种分类方法对测试图像分类后的性能参数对比表从对比表1中可见,本发明方法相比于现有两种技术,对于图3b实测的一幅测试图像的平均分类准确率更高,运行时间也最短。说明本发明通过利用四个空洞空间金字塔池化ASPP提取SAR图像的多尺度目标信息,提升了分类准确率,通过利用反卷积层和上采样层使得每次测试得到SAR图像像素块的分类结果,实现了端到端的分类,缩短了运行时间,便于工程实现。

权利要求:1.一种带有ASPP反卷积网络的SAR图像分类方法,其特征在于,读取训练图像和测试图像,生成训练集和测试集,构建带有空洞空间金字塔池化ASPP的反卷积网络,训练带有空洞空间金字塔池化ASPP的反卷积网络,对测试图像进行分类,该方法的步骤包括如下:1读取训练图像和测试图像:读取两幅包含相同地物目标的SAR图像数据分别作为训练图像和测试图像,读取的任一幅SAR图像数据中包含至少三类地物目标,且训练图像任意两类地物目标中像素点数目较多的一类与像素点数目较少的一类的像素点数目比值控制在1至1.5的范围内;2生成训练集和测试集:2a构建一个大小为90×90像素的滑窗;2b将滑窗放在训练图像的左上角,按从左到右、从上到下的顺序依次滑动,滑动步长为10个像素,将滑动结果中与滑窗重合的训练图像区域作为一个训练图像像素块;2c统计每个训练图像像素块内所有像素点中每种类别的数目,将类别的数目大于等于滑窗像素点总数的0.5倍的类别作为该像素块的类别,构成一个样本;2d将每种类别的所有样本构成该类的训练数据集;2e对每类训练数据集合随机打乱顺序并随机选取相同数目的样本,组成初始训练样本集,其中每类选取的训练样本数不低于2500个;2f将初始训练样本集中的每个训练样本的中心像素点作为中心,顺时针旋转90度,得到第一扩充集;2g对初始训练样本集中的每个训练样本添加均值为0,标准差为0.1的高斯噪声,得到第二扩充集;2h将初始训练样本集、第一扩充集、第二扩充集组成训练集;2i将滑窗放在测试图像5个不同的起始位置,按从左到右、从上到下的顺序依次滑动,滑动步长为90个像素,将滑动结果中与滑窗重合的测试图像区域作为一个测试图像像素块,分别组成第一、二、三、四、五测试集;3构建带有空洞空间金字塔池化ASPP的反卷积网络:3a搭建一个反卷积网络,其结构依次为:输入层→卷积层1→池化层→嵌套式模块→拼接层1→卷积层2→上采样层→输出层;所述的嵌套式模块由第一个空洞空间金字塔池化ASPP与支路1并行组成,支路1的结构依次为卷积层3→嵌套式子模块1→拼接层2→卷积层4→反卷积层1;所述的嵌套式子模块1由第二个空洞空间金字塔池化ASPP与支路2并行组成;支路2的结构依次为卷积层5→嵌套式子模块2→拼接层3→卷积层6→反卷积层2;所述的嵌套式子模块2由第三个空洞空间金字塔池化ASPP与支路3并行组成;支路3的结构依次为卷积层7→第四个空洞空间金字塔池化ASPP→反卷积层3;3b设置反卷积网络的参数;4训练带有空洞空间金字塔池化ASPP的反卷积网络:将训练集输入到带有空洞空间金字塔池化ASPP的反卷积网络中,训练带有空洞空间金字塔池化ASPP的反卷积网络,直到网络参数收敛,得到训练好的反卷积网络;5对测试图像进行分类:5a依次分别将第一、二、三、四、五测试集输入到训练好的反卷积网络中,得到每个测试集的初始分类像素块;5b从所有初始分类像素块中找到每个像素点对应位置出现次数最多的标号作为该像素点的类别,得到最终分类像素块,将该最终分类像素块作为测试图像的最终分类结果。2.根据权利要求1所述的带有ASPP反卷积网络的SAR图像分类方法,其特征在于,步骤2i中所述的滑窗放在测试图像5个不同的起始位置是指,以测试图像的左上角作为起始位置得到的测试集为第一测试集;以测试图像左上角向右平移30个像素的位置作为起始位置得到的测试集为第二测试集;以测试图像左上角向右平移60个像素的位置作为起始位置得到的测试集为第三测试集;以测试图像左上角向下平移30个像素的位置作为起始位置得到的测试集为第四测试集;以测试图像左上角向下平移60个像素的位置作为起始位置得到的测试集为第五测试集。3.根据权利要求1所述的带有ASPP反卷积网络的SAR图像分类方法,其特征在于,步骤3a中所述的第一个、第二个、第三个、第四个空洞空间金字塔池化ASPP的每个结构依次为:并行的4个支路→拼接层→卷积层,所述并行的4个支路中的第1个、第2个、第3个支路均为空洞卷积层,第4个支路的结构依次为池化层→上采样层。4.根据权利要求3所述的带有ASPP反卷积网络的SAR图像分类方法,其特征在于,所述的空洞空间金字塔池化ASPP的参数设置如下:将第1个、第2个、第3个支路的空洞卷积层的扩张率分别设置为2、4、8个像素,每个空洞卷积核大小均为3×3,每个滑动步长均为1个像素;将第4个支路的池化层的池化方式设置为全局平均池化;将第4个支路的上采样层设置为双线性插值上采样;将卷积层的卷积核大小设置为1×1,滑动步长为1个像素;将拼接层设置为一个矩阵拼接函数。5.根据权利要求1所述的带有ASPP反卷积网络的SAR图像分类方法,其特征在于,步骤3b中所述的反卷积网络的参数设置如下:将卷积层1的特征映射图的个数设置为32个,卷积核大小为5×5,滑动步长为1个像素;将卷积层2的特征映射图的个数设置为待分类SAR图像所包含地物目标的总类别数,卷积核大小为1×1,滑动步长为1个像素;将卷积层3、5、7的特征映射图的个数分别设置为64、128、256个,每个卷积核大小均为5×5,每个滑动步长均为2个像素;将卷积层4、6的特征映射图的个数分别设置为64、128个,每个卷积核大小均为1×1,每个滑动步长均为1个像素;将池化层的池化方式设置为最大池化,特征映射图的个数为32个,池化窗口大小为2×2,滑动步长为2个像素;将反卷积层1、2、3的特征映射图的个数分别设置为64、128、256个,每个卷积核大小均为5×5,每个滑动步长均为2个像素;将第一个、第二个、第三个、第四个空洞空间金字塔池化ASPP的特征映射图的个数分别设置为32、64、128、256个;将拼接层1、2、3分别设置为一个矩阵拼接函数;将上采样层设置为双线性插值上采样。

百度查询: 西安电子科技大学 带有ASPP反卷积网络的SAR图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。