技术领域
[0001] 本
发明属于雷达目标识别技术领域，主要涉及一种SAR图像舰船目标分类方法，可用于海域舰船监测和目标分类。
背景技术
[0002]
合成孔径雷达是一种主动成像
传感器，具有全天候、全天时、高分辨的数据获取能
力。为实现对广阔海域进行连续、实时和长期的监测，SAR系统以其中高
分辨率和广阔的
覆盖能力得到迅速发展。目前，利用星载SAR系统对海域舰船监测成为重要手段，已广泛应用于国防情报、渔业监测和执法、搜救支援和航运等领域。过去的几十年里，各种卫星SAR系统成功发射，如加拿大RADARSAT-1/2、德国TerraSAR-X和意大利Cosmo-SkyMed、欧洲哨兵-1/2等，大量有价值数据尤其是沿海地区和公海数据变得容易获得。因此，如何对海量数据进行高效率解译，越来越成为遥感研究界的迫切需要。SAR图像自动目标识别ATR是SAR图像的重要应用之一。基本的SAR图像自动目标识别ATR系统一般包括目标检测、目标
鉴别和目标识别三个阶段。目标识别用于对SAR图像的目标进行分类，在SAR 图像自动目标识别ATR中具有重要的研究意义。
[0003] 在先前的研究中，研究者们常常利用人工设计的几何、散射和结构特征以及传统的
机器学习ML方法对高分辨率HR的SAR图像进行舰船分类。然而这些人工设计的特征应用在中等分辨率MR的SAR图像上不够具有代表性。另外，常规的ML方法对MR SAR舰船图像的类内多样性和类间相似性问题处理能力较弱。
[0004] 与HR SAR图像相比，低分辨率LR和MR SAR图像中的舰船目标仅由几个
像素点组成，呈现出斑
块状。在这种情况下，舰船的长度、宽度、纵横比和平均强度等这样能帮助舰船分类的传统特征很难提取出来。另外，由于SAR传感器的成像条件变化，舰船目标的成像
角度多样，使得SAR图像中的舰船出现了多方面的变化，如方位角方向和散射特性的变化。这些变化很难用传统的几何、
辐射特征等特征来准确描述，识别难度也因此增加。
发明内容
[0005] 本发明的目的在于针对上述已有SAR舰船目标识别方法的不足，提出一种基于深度密集连接和度量学习的SAR舰船目标分类方法，以更好的完成深度特征提取，训练泛化性更好的网络，提高对于不同类型舰船的分类准确率。
[0006] 本发明的技术方案是：首先使用
训练数据训练损失函数为带有L2范数正则项的交叉熵损失的
深度神经网络模型，训练数据训练10个轮次后，损失函数中加入三元组损失和基于Fisher判别准则的正则项，继续使用训练数据训练网络模型，待模型收敛后，将训练好的神经网络应用于测试数据之上，得到最终的舰船分类结果，其实现步骤包括如下：
[0007] (1)将从公开
网站下载的OpenSARShip数据集重新
整理与选择，并将整理与选择后的舰船数据按照8:2的比例分为训练数据Φx和测试数据Φc；
[0008] (2)使用翻转、旋转、平移、加噪方法对训练数据Φx进行八倍的扩充，得到扩充后的训练数据Φ'x；
[0009] (3)建立由深度密集连接层和嵌入转换层组成的训练网络模型Ω：
[0010] (3a)构建深度密集连接层：
[0011] 该层依次由
基础层stem、密集连接块DB1、过渡
降维层TD1、密集连接块DB2、过渡降维层TD2、密集连接块DB3、过渡降维层TD3、密集连接块DB4、过渡降维层TD4、密集连接块DB5、全局最大
池化层组成；
[0012] (3b)构建嵌入转换层：
[0013] 该层依次由第一全连接层F1、第二全连接层F2、第三全连接层F3和Softmax分类器层F4组成；
[0014] (4)将扩充后的训练数据Φ'x输入到构建好的训练网络模型Ω中，使用带有L2范数正则项的交叉熵损失函数对该网络模型Ω进行10个轮次的训练，得到初步训练好的网络模型Ω'；
[0015] (5)将三元组损失和基于Fisher判别准则的正则项加到(4)中使用的损失函数中，构成新的损失函数Js5，将扩充后的训练数据Φ'x输入到初步训练好的网络模型Ω'中，使用新的损失函数Js5对其进行训练，得到最终训练好的网络模型Ω”；
[0016] (6)将舰船测试数据Φc输入到最终训练好的网络模型Ω”中，得到舰船的分类结果。
[0018] 1)本发明针对舰船目标分类任务设计了一个深度密集连接网络模型，能更好的提取舰船目标的深度特征。
[0019] 2)本发明将深度密集连接和度量学习相结合，对深度嵌入施加三元组损失以及基于Fisher判别准则的正则项，提高了舰船目标的类内相似性和类间差异性，获得了更好的分类准确率。
附图说明
[0021] 图2为本发明中重新整理数据的子流程图；
[0022] 图3为本发明中构建的训练网络模型结构图。
具体实施方式
[0023] 下面结合附图对本发明的
实施例和效果进行详细说明：
[0024] 参照图1，本发明的实现步骤如下：
[0025] 步骤1，将从公开网站下载的OpenSARShip数据集重新整理与选择，并将重新整理与选择后的舰船数据分为训练数据Φx和测试数据Φc。
[0026] 参照图2，本步骤实现如下：
[0027] 1.1)从网站http://opensar.sjtu.edu.cn/下载OpenSARShip数据集，在数据文件中找到数据集中的舰船切片类别和
位置信息，选择舰船类型为油轮、
集装箱船和散装货船的数据，再从网站https://sentinels.copernicus.eu/web/sentinel/hom/下载选择出的数据对应的哨兵一号SAR图像，使用SNAP3.0
软件对其进行定标；
[0028] 1.2)根据OpenSARShip数据集中舰船切片的类别和位置信息，在定标后的图像上重新裁剪64×64的舰船切片；
[0029] 1.3)裁剪的切片中多余的目标用背景代替，保证一个切片只有一个舰船目标。
[0030] 1.4)将重新整理后的SAR舰船样本按照8:2的比例分为训练数据Φx和测试数据Φc。
[0031] 步骤2，使用翻转、旋转、平移、加噪方法对训练数据Φx进行八倍的扩充，得到扩充后的训练数据Φ'x。
[0032] 本步骤的具体实现如下：
[0033] 2.1)将训练数据Φx分别进行
水平翻转和上下翻转，得到扩充了两倍的训练数据；
[0034] 2.2)将训练数据Φx分别进行顺
时针90°、180°和270°的旋转，得到扩充了三倍的训练数据；
[0035] 2.3)将训练数据Φx中的舰船目标沿上下、左右四个方向任意平移[-5,5]个像素点，得到扩充了一倍的训练数据；
[0036] 2.4)将服从均值为0、方差为0.001的高斯噪声加在训练数据Φx上，得到扩充了一倍的训练数据；
[0037] 2.5)将步骤2.1)-步骤2.4)扩充后得到的数据和原始训练数据Φx合在一起，构成最终扩充了八倍的训练数据Φ'x。
[0038] 步骤3，建立训练网络模型Ω。
[0039] 参照图3，该训练网络模型Ω由深度密集连接层和嵌入转换层组成，其构建步骤如下：
[0040] 3.1)构建深度密集连接层：
[0041] 该层依次由基础层stem、密集连接块DB1、过渡降维层TD1、密集连接块DB2、过渡降维层TD2、密集连接块DB3、过渡降维层TD3、密集连接块DB4、过渡降维层TD4、密集连接块DB5、全局平均池化层组成，各层参数设置及关系如下：
[0042] 3.1a)基础层stem，其由两个完全相同的卷积块级联而成，每个卷积块由三层结构组成，即第一层为卷积层L1、第二层为批量归一化(BN)层L2，第三层为ReLU激活函数层L3，其中：
[0043] 第一层卷积层L1，其卷积核K1的窗口大小为3×3，滑动步长S1为1，填充方式为SAME，用于对输入进行卷积，输出32个特征图Y1，Y1大小为32×64×64，作为第二层BN层L2的输入；
[0044] 第二层BN层L2，用于对上一层卷积层的输出进行归一化处理，使输出规范化到N(0,1)的正态分布，该层的输入和输出的维度一致；
[0045] 第三层ReLU激活函数层L3，用于对上一层L2层的输出进行非线性的映射，非线性映射公式如下：
[0046] ReLU(x)＝max(0,x)，
[0047] 式中x为输入，ReLU(x)为输出，该层的输入和输出的维度一致。
[0048] 3.1b)密集连接层DB1，其由四个完全相同的卷积块级联而成，每个卷积块由四层结构组成，即第一层为BN层 第二层为ReLU激活函数层 第三层为卷积层 第四层为dropout层 i表示第i个卷积块，i＝1,2,3,4，其中：
[0049] 第一层BN层 用于对输入进行归一化处理，使输出规范化到N(0,1)的正态分布，当i＝1时，将L3层的输出作为该层的输入，当i＞1时，将L3层的输出和 层的输出合并，作为该层的输入，(i-n)为B的第一个下角标，表示DB1内第(i-n)个卷积块，4为B的第二个下角标，表示第(i-n)个卷积块的第四层，n＝1,...,i-1；
[0050] 第二层ReLU激活函数层 用于对上一层BN层 的输出进行非线性的映射，非线性映射公式如下：
[0051] ReLU(x)＝max(0,x)，
[0052] 式中x为输入，ReLU(x)为输出，该层的输入和输出的维度一致；
[0053] 第三层卷积层 其卷积核K2的窗口大小为3×3，滑动步长S2为1，填充方式为SAME，用于对上一层激活函数层 的输出进行卷积，输出6个特征图Y2，Y2大小为6×64×64，作为第四层dropout层 的输入；
[0054] 第四层dropout层 用于随机的将输入特征图部分值置0，防止过拟合，训练时保留
节点的比例值设为0.2，测试时特征图不用置0，比例值设为1，该层的输入和输出的维度一致；
[0055] 将L3层的输出与 层的输出合并，作为TD1层的输入，i＝1,2,3,4。
[0056] 3.1c)过渡降维层TD1，其由四层结构组成，即第一层为BN层T11、第二层为ReLU激活1 1 1
函数层T2、第三层为卷积层T3、第四层为平均池化层T4，其中：
[0057] 第一层BN层T11，用于对输入进行归一化处理，使输出规范化到N(0,1)的正态分布，该层的输出作为下一激活函数层T21的输入；
[0058] 第二层ReLU激活函数层T21，用于对输入进行非线性的映射，输出作为下一卷积层1
T3的输入；
[0059] 第三层卷积层T31，其卷积核K3的窗口大小为3×3，滑动步长S3为1，填充方式为SAME，用于对上一层激活函数层T21的输出进行卷积，输出56个特征图Y3，Y3大小为56×64×64，作为第四层平均池化层T41的输入；
[0060] 第四层平均池化层T41，用于对输入下
采样，其
下采样核U1的窗口大小为2×2，滑动步长V1为2，输出56个特征图Y3'，Y3'大小为56×32×32，作为DB2层的输入。
[0061] 3.1d)密集连接层DB2，其由四个完全相同的卷积块级联而成，每个卷积块由四层结构组成，即第一层为BN层 第二层为ReLU激活函数层 第三层为卷积层 第四层为dropout层 i表示第i个卷积块，i＝1,2,3,4，其中：
[0062] 第一层BN层 用于对输入进行归一化处理，使输出规范化到N(0,1)的正态分布，当i＝1时，将TD1内最大池化层 层的输出作为该层的输入，当i＞1时，将 层的输出和层的输出合并，作为该层的输入，(i-n)为B的第一个下角标，表示DB2内第(i-n)个卷积块，4为B的第二个下角标，表示第(i-n)个卷积块的第四层，n＝1,...,i-1；
[0063] 第二层ReLU激活函数层 用于对上一层BN层 的输出进行非线性的映射，非线性映射公式如下：
[0064] ReLU(x)＝max(0,x)，
[0065] 式中x为输入，ReLU(x)为输出，该层的输入和输出维度一致；
[0066] 第三层卷积层 其卷积核K4的窗口大小为3×3，滑动步长S4为1，填充方式为SAME，用于对上一层激活函数层 的输出进行卷积，输出12个特征图Y4，Y4大小为12×32×32，作为第四层dropout层 的输入；
[0067] 第四层dropout层 用于随机的将输入特征图部分值置0，防止过拟合，训练时保留节点的比例值设为0.2，测试时特征图不用置0，比例值设为1，该层的输入和输出的维度一致；
[0068] 将 层的输出和 层的输出合并，作为TD2层的输入，i＝1,2,3,4。
[0069] 3.1e)过渡降维层TD2，其由四层结构组成，即第1层为BN层T12、第2层为ReLU激活函数层T22、第3层为卷积层T32、第4层为平均池化层T42，其中：
[0070] 第1层BN层T12，用于对输入进行归一化处理，使输出规范化到N(0,1)的正态分布，该层的输出作为下一激活函数层T22的输入；
[0071] 第2层ReLU激活函数层T22，用于对输入进行非线性的映射，输出作为下一卷积层T32的输入；
[0072] 第3层卷积层T32，其卷积核K5的窗口大小为3×3，滑动步长S5为1，填充方式为SAME，用于对上一层激活函数层T22的输出进行卷积，输出104个特征图Y5，Y5大小为104×32×32，作为第4层平均池化层T42的输入；
[0073] 第4层平均池化层T42，用于对输入下采样，其下采样核U2的窗口大小为2×2，滑动步长V2为2，输出104个特征图Y5'，Y5'大小为104×16×16，作为DB3层的输入。
[0074] 3.1f)密集连接层DB3，其由四个完全相同的卷积块级联而成，每个卷积块由四层结构组成，即第一层为BN层 第二层为ReLU激活函数层 第三层为卷积层 第四层为dropout层 i表示第i个卷积块，i＝1,2,3,4，其中：
[0075] 第一层BN层 用于对输入进行归一化处理，使输出规范化到N(0,1)的正态分布，2 2
当i＝1时，将TD2内最大池化层T4 层的输出作为该层的输入，当i＞1时，将T4 层的输出和层的输出合并，作为该层的输入，(i-n)为B的第一个下角标，表示DB3内第(i-n)个卷积块，4为B的第二个下角标，表示第(i-n)个卷积块的第四层，n＝1,...,i-1；
[0076] 第二层ReLU激活函数层 用于对上一层BN层 的输出进行非线性的映射，非线性映射公式如下：
[0077] ReLU(x)＝max(0,x)，
[0078] 式中x为输入，ReLU(x)为输出，该层的输入和输出的维度一致；
[0079] 第三层卷积层 其卷积核K6的窗口大小为3×3，滑动步长S6为1，填充方式为SAME，用于对上一层激活函数层 的输出进行卷积，输出18个特征图Y6，Y6大小为18×16×16，作为第四层dropout层 的输入；
[0080] 第四层dropout层 用于随机的将输入特征图部分值置0，防止过拟合，训练时保留节点的比例值设为0.2，测试时特征图不用置0，比例值设为1，该层的输入和输出的维度一致；
[0081] 将T42层的输出与 层的输出合并，作为TD3层的输入，i＝1,2,3,4。
[0082] 3.1g)过渡降维层TD3，其由四层结构组成，即第一层为BN层T13、第二层为ReLU激活函数层T23、第三层为卷积层T33、第四层为平均池化层T43，其中：
[0083] 该第一层BN层T13，用于对输入进行归一化处理，使输出规范化到N(0,1)的正态分3
布，该层的输出作为下一激活函数层T2的输入；
[0084] 该第二层ReLU激活函数层T23，用于对输入进行非线性的映射，输出作为下一卷积层T33的输入；
[0085] 该第三层卷积层T33，其卷积核K7的窗口大小为3×3，滑动步长S7为1，填充方式为3
SAME，用于对上一层激活函数层T2的输出进行卷积，输出176个特征图Y7，Y7大小为176×16×16，作为第四层平均池化层T43的输入；
[0086] 该第四层平均池化层T43，用于对输入下采样，其下采样核U3的窗口大小为2×2，滑动步长V3为2，输出176个特征图Y7'，Y7'大小为176×8×8，作为DB4层的输入。
[0087] 3.1h)密集连接层DB4，其由四个完全相同的卷积块级联而成，每个卷积块由四层结构组成，即第一层为BN层 第二层为ReLU激活函数层 第三层为卷积层 第四层为dropout层 i表示第i个卷积块，i＝1,2,3,4，其中：
[0088] 第一层BN层 用于对输入进行归一化处理，使输出规范化到N(0,1)的正态分布，当i＝1时，将TD3内最大池化层T43层的输出作为该层的输入，当i＞1时，将T43层的输出与层的输出合并，作为该层的输入，(i-n)为B的第一个下角标，表示DB4内第(i-n)个卷积块，4为B的第二个下角标，表示第(i-n)个卷积块的第四层，n＝1,...,i-1；
[0089] 第二层ReLU激活函数层 用于对上一层BN层 的输出进行非线性的映射，非线性映射公式如下：
[0090] ReLU(x)＝max(0,x)，
[0091] 式中x为输入，ReLU(x)为输出，该层的输入和输出的维度一致；
[0092] 第三层卷积层 其卷积核K8的窗口大小为3×3，滑动步长S8为1，填充方式为SAME，用于对上一层激活函数层 的输出进行卷积，输出24个特征图Y8，Y8大小为24×8×8，作为第四层dropout层 的输入；
[0093] 第四层dropout层 用于随机的将输入特征图部分值置0，防止过拟合，训练时保留节点的比例值设为0.2，测试时特征图不用置0，比例值设为1，该层的输入和输出的维度一致；
[0094] 将T43层的输出与 层的输出合并，作为TD4层的输入，i＝1,2,3,4。
[0095] 3.1i)过渡降维层TD4，其由四层结构组成，即第一层为BN层T14、第二层为ReLU激活函数层T24、第三层为卷积层T34、第四层为平均池化层T44，其中：
[0096] 该第一层BN层T14，用于对输入进行归一化处理，使输出规范化到N(0,1)的正态分布，该层的输出作为下一激活函数层T24的输入；
[0097] 该第二层ReLU激活函数层T24，用于对输入进行非线性的映射，输出作为下一卷积层T34的输入；
[0098] 该第三层卷积层T34，其卷积核K9的窗口大小为3×3，滑动步长S9为1，填充方式为SAME，用于对上一层激活函数层T24的输出进行卷积，输出272个特征图Y9，Y9大小为272×84
×8，作为第四层平均池化层T4的输入；
[0099] 该第四层平均池化层T44，用于对输入下采样，其下采样核U4的窗口大小为2×2，滑动步长V4为2，输出272个特征图Y9'，Y9'大小为272×4×4，作为DB5层的输入。
[0100] 3.1j)密集连接层DB5，其由四个完全相同的卷积块级联而成，每个卷积块由四层结构组成，即第一层为BN层 第二层为ReLU激活函数层 第三层为卷积层 第四层为dropout层 i表示第i个卷积块，i＝1,2,3,4，其中：
[0101] 第一层BN层 用于对输入进行归一化处理，使输出规范化到N(0,1)的正态分布，当i＝1时，将TD4内最大池化层T44层的输出作为该层的输入，当i＞1时，将T44层的输出和层的输出合并，作为该层的输入，(i-n)为B的第一个下角标，表示DB5内第(i-n)个卷积块，4为B的第二个下角标，表示第(i-n)个卷积块的第四层，n＝1,...,i-1；
[0102] 第二层ReLU激活函数层 用于对上一层BN层 的输出进行非线性的映射，非线性映射公式如下：
[0103] ReLU(x)＝max(0,x)，
[0104] 式中x为输入，ReLU(x)为输出，该层的输入和输出的维度一致；
[0105] 第三层卷积层 其卷积核K10的窗口大小为3×3，滑动步长S10为1，填充方式为SAME，用于对上一层激活函数层 的输出进行卷积，输出30个特征图Y10，Y10大小为30×4×4，作为第四层dropout层 的输入；
[0106] 第四层dropout层 用于随机的将输入特征图部分值置0，防止过拟合，训练时保留节点的比例值设为0.2，测试时特征图不用置0，比例值设为1，该层的输入和输出的维度一致；
[0107] 将T44层的输出与 层的输出合并，作为T5层的输入，i＝1,2,3,4。
[0108] 3.1k)全局平均池化层T5，其用于对输入下采样，下采样核U5的窗口大小为2×2，输11 11
出392个特征图Y ，Y 大小为392×1×1，作为嵌入转换层中第一全连接层F1的输入。
[0109] 3.2)构建嵌入转换层：
[0110] 该层依次由第一全连接层F1、第二全连接层F2、第三全连接层F3和Softmax分类器层F4组成，各层参数设置及关系如下：
[0111] 第一层全连接层F1，其设有1000个神经元，用于提取样本的深度嵌入
特征向量，输出一个1000维的列向量，作为第二层全连接层F2的输入；
[0112] 第二层全连接层F2，其设有128个神经元，用于进一步提取样本的深度嵌入特征向量，输出一个128维的列向量H，并对其归一化，作为第三全连接层F3的输入；
[0113] 第三层全连接层F3，其设有3个神经元，用于对第二层全连接层F2输出的一个128维列向量进行非线性映射，输出一个3维的列向量，作为Softmax分类器层F4的输入；
[0114] 第四层Softmax分类器层F4，用于将第三层全连接层得到的3维列向量输入到三类Softmax分类器中，得到分类概率向量p，根据概率值将输入样本进行分类。
[0115] 步骤4，构建带有L2范数正则项的交叉熵损失函数Js。
[0116] 将L2范数正则项加到交叉熵损失函数中构成损失函数Js：
[0117] Js＝Js1+Js2
[0118]
[0119]
[0120] 其中，Js1为交叉熵损失，Js2为L2范数正则项，N为训练样本的总数量，使用批次梯度下降
算法训练时，N取一个批次的样本数量， 为第i个样本对应第k类的标签， 为网络将第i个样本预测为第k类的概率，L为网络总层数，Wl为第l层卷积核权重矩阵，Bl为第l层偏置矩阵。
[0121] 步骤5，将扩充后的训练数据Φ'x输入到构建好的训练网络模型Ω中，使用步骤4构建的损失函数Js对该网络模型Ω进行10个轮次的训练，得到初步训练好的网络模型Ω'。
[0122] 本步骤的具体实现如下：
[0123] 5.1)将扩充后的训练数据送入网络模型Ω中进行训练，一次训练100个样本，根据送入样本的标签计算网络的损失函数Js的值；
[0124] 5.2)根据步骤5.1)中计算出的损失函数值计算损失函数的梯度，利用梯度下降算法反向传播更新网络模型Ω的参数；
[0125] 5.3)循环执行步骤5.1)和步骤5.2)，所有扩充后的训练数据Φ'x训练完一次称为一个轮次，共训练10个轮次，得到初步训练好的网络模型Ω'。
[0126] 步骤6，构成新的损失函数Js5。
[0127] 6.1)对网络模型Ω'进行训练，网络每一批次训练100个样本，将一个批次中每一训练样本依次作为参考样本 根据嵌入转换层的第二全连接层F2的输出列向量H，计算参考样本与该批次中其他样本在嵌入空间的欧氏距离，选择与参考样本同类别欧式距离最大的样本为正样本 选择与参考样本不同类别欧式距离最小的样本为负样本
[0128]
[0129]
[0130]
[0131]
[0132] 其中，Ki为该批次中第i类样本的数量，C为总类别数， 为两样本在嵌入空间的欧氏距离， 为对参考样本 的第二全连接层F2的输出列向量H归一化处理，[0133]
[0134] 其中， 为参考样本 在网络第二全连接层F2的输出列向量H；
[0135] 6.2)将步骤6.1)每次选出的参考样本 正样本 负样本 组成三元组数据对正样本对 负样本对 一个批次共组成100个三元组数据对、正样本数据对和负样本数据对；
[0136] 6.3)将三元组损失和基于Fisher判别准则的正则项加到步骤4中构建的损失函数Js中，构成新的损失函数Js5：
[0137]
[0138] 其中，Js1为交叉熵损失，Js2为L2范数正则项，Js3为三元组损失，Js4为基于Fisher判别准则的正则项，λ1，λ2，λ3为平衡常数，λ1＝0.6，λ2＝0.005，λ3＝0.0005。
[0139]
[0140]
[0141] 其中，训练时N为一个批次的样本数量，N＝100，α为距离参数，α＝0.2，为
铰链损失函数， 为第k个正样本对中两样本的欧式距离，m1为一个批次中正样本对欧式距离的均值，m2为一个批次中负样本对欧式距离的均值，为一个批次中正样本对欧式距离的方差， 为一个批次中负样本对欧式距离的方差，[0142]
[0143]
[0144]
[0145] 步骤7，使用新的损失函数Js5对初步训练好的网络模型进行训练，得到最终训练好的网络模型Ω”。
[0146] 本步骤的具体实现如下：
[0147] 7.1)将扩充后的训练数据Φ'x送入初步训练好的网络模型Ω′中，根据送入样本的标签计算网络的损失函数Js5的值；
[0148] 7.2)根据7.1)中计算出的损失函数值计算损失函数的梯度，利用梯度下降算法反向传播更新网络模型Ω′参数；
[0149] 7.3)循环执行步骤7.1)和步骤7.2)，直到损失函数收敛，得到最终训练好的网络模型Ω”。
[0150] 步骤8，将舰船测试数据Φc输入到最终训练好的网络模型Ω”中，得到舰船的分类结果。
[0151] 本发明的效果可通过以下实验数据进一步说明：
[0152] 一.实验条件
[0153] 1)实验数据
[0154] 本实验使用重新整理后的OpenSARShip数据集，由于OpenSARShip数据集每类舰船数目相差较大且部分数据一幅图像包含两个舰船目标，这将影响分类准确率，因此对数据集进行了重新整理，重新整理后的数据各类别舰船数量如表1。
[0155] 表1重新整理后的各类舰船数量
[0156] 舰船类型 数量油轮 720
集装箱船 434
散装货船 1604
[0157] 2)评价准则
[0158] 实验重复五次，取五次实验分类准确率的平均值Accuracy和方差(％)对实验结果进行评价。
[0159] 二.实验内容
[0160] 用本发明方法与现有方法对上述实验数据进行对比实验，性能参数对比结果如表2所示。
[0161] 表2本发明方法与现有方法性能参数对比结果
[0162]对比方法 Accuracy(％)
AlexNet 81.63±1.47
VGGNet 72.37±1.67
GoogLeNet 83.30±1.15
ResNet 83.44±0.90
Softmax Log-Loss 87.73±0.42
Softmax+Triplet Loss 88.27±0.56
本发明 88.97±0.72
[0163] 表2中：AlexNet为现有的AlexNet网络对舰船数据分类的方法；VGGNet为现有的VGGNet网络对舰船数据分类的方法；
[0164] GoogLeNet为现有的GoogLeNet网络对舰船数据分类的方法；
[0165] ResNet为现有的ResNet网络对舰船数据分类的方法；
[0166] Softmax Log-Loss为使用与本发明相同的网络，但损失函数只用交叉熵损失时对舰船数据进行分类的方法；
[0167] Softmax+Triplet Loss为使用与本发明相同的网络，但损失函数使用了交叉熵损失和三元组损失没有使用基于Fisher判别准则的正则项时对舰船数据进行分类的方法。
[0168] 从表2中可见，相比于现有方法，本发明取得了更好的分类效果，这是由于本发明设计的网络既能更好的提取样本的特征，也可以很好的处理舰船目标类内多样性和类间相似性问题；相比于损失函数没有添加三元组损失和基于Fisher判别准则的正则项方法，本发明展现了更好的性能，表明了三元组损失和基于Fisher判别准则的正则项能有助于提高分类效果。
[0169] 以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种
修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的
权利要求保护范围之内。
