基于多卷积神经网络融合的SAR舰船分类

计算机与现代化 ›› 2023, Vol. 0 ›› Issue (01): 37-42.

基于多卷积神经网络融合的SAR舰船分类

（1. 中国科学院空天信息创新研究院，北京 100190； 2. 中国科学院大学电子电气与通信工程学院，北京 100049）

出版日期:2023-03-02 发布日期:2023-03-02
作者简介:张骁（1996—），男，河北邯郸人，硕士研究生，研究方向：SAR图像舰船检测与分类，E-mail： zhangxiao19@mails.ucas.ac.cn；通信作者：吕继宇（1976—），女，河南驻马店人，博士研究生，研究方向：星载合成孔径雷达系统设计与仿真，E-mail：jylv@mail.ie.ac.cn；赵爽（1995—），女，吉林长春人，博士研究生，研究方向：SAR图像目标检测，E-mail： zhaoshuang19@mails.ucas.ac.cn；吴羽纶（1997—），男，河北廊坊人，博士研究生，研究方向：SAR图像处理与InSAR处理，E-mail: wuyulun19@mails.ucas.ac.cn; 王春乐（1986—），女，吉林吉林人，博士研究生，研究方向：合成孔径雷达图像处理，E-mail: clwang@mail.ie.ac.cn。
基金资助:
国家自然科学基金资助项目（61901445）

SAR Ship Classification Based on Multi-convolutional Neural Network Fusion

（1. Aerospace Information Research Institute， Chinese Academy of Sciences， Beijing 100190， China； 2. School of Electronic， Electrical and Communication Engineering， University of Chinese Academy of Sciences， Beijing 100049， China）

Online:2023-03-02 Published:2023-03-02

摘要/Abstract

摘要： 针对SAR图像中小型舰船分类准确率较低的问题，提出一种多卷积神经网络加权融合的方法。首先构建高分辨率卷积神经网络对特征图进行多尺度融合，引入微调模型和标签平滑减少训练过拟合的问题；然后利用高分辨网络、MobileNetv2网络和SqueezeNet网络训练3种单分类模型；最后采用加权投票方式对3种分类模型的结果进行融合。采用融合算法对GF-3号舰船数据集进行分类实验，取得94.83%的准确率、95.43%的召回率和0.9513的F1分数的分类性能。实验结果表明，该舰船分类算法模型具有较优的分类能力，验证了其在高分辨率SAR图像舰船分类上的有效性。

关键词: SAR图像, 高分辨率卷积神经网络, 微调模型, 标签平滑, 加权投票, 舰船分类

Abstract: The accuracy of small ship classification in Syntactic Aperture Radar （SAR） images is low. To solve the problem， a classification approach based on the weighted fusion of different convolutional neural network results is proposed. Firstly， a high-resolution convolutional neural network is constructed to conduct multi-scale feature fusion， fine-tuning model and label smoothing are introduced to reduce the problem of training over-fitting. Then three single classification models are trained using the high-resolution network， MobileNetv2 network and SqueezeNet network. Finally， the results of three classification models are fused by weighted voting. The fusion method is used to carry out classification experiment on GF-3 ship dataset， the results obtained are: precision 94.83%， recall rate 95.43%， F1 score 0.9513. Experimental results show that the algorithm model proposed in this paper has better classification ability， which verifies its effectiveness in high-resolution SAR image ship classification.

Key words: SAR images； high-resolution convolutional neural networks； fine tuning model, label smooth； weighted voting； ship classification

张骁, 吕继宇, 赵爽, 吴羽纶, 王春乐. 基于多卷积神经网络融合的SAR舰船分类[J]. 计算机与现代化, 2023, 0(01): 37-42.

ZHANG Xiao, LYU Ji-yu, ZHAO Shuang, WU Yu-lun, WANG Chun-le. SAR Ship Classification Based on Multi-convolutional Neural Network Fusion[J]. Computer and Modernization, 2023, 0(01): 37-42.

参考文献

［1］邓云凯，禹卫东，张衡，等. 未来星载SAR技术发展趋势［J］. 雷达学报， 2020，9（1）:1-33.
［2］邹浩，林赟，洪文. 基于多角度合成SAR图像的目标识别性能分析［J］. 中国科学院大学学报， 2019，36（2）:226-234.
［3］ RAJ J A， IDICULA S M， PAUL B. A novel ship detection method from SAR image with reduced false alarm［J］. Journal of Physics Conference Series， 2021，1817（1）. DOI:10.
1088/1742-6596/1817/1/012010.
［4］ SHARIFZADEH F， AKBARIZADEH G， KAVIAN Y S. Ship classification in SAR images using a new hybrid CNN-MLP classifier［J］. Journal of the Indian Society of Remote Sensing， 2019，47（4）:551-562.
［5］孙忠镇，熊博莅，冷祥光，等. 基于精细分割的SAR图像舰船目标几何结构特征提取［J］. 电波科学学报， 2020，35（4）:585-593.
［6］ KNAPSKOG A O， BROVOLL S， TORVIK B. Characteristics of ships in harbour investigated in simultaneous images from TerraSAR-X and PicoSAR［C］// 2010 IEEE Radar Conference. 2010:422-427.
［7］ LENG X G， JI K F， ZHOU S L， et al. 2D comb feature for analysis of ship classification in high resolution SAR imagery［J］. Electronics Letters， 2017，53（7）:500-502.
［8］贾程澄，王军，邱峰. 多特征提取和多核SVM 的舰船目标识别方法［J］. 电光与控制， 2021，28 （11）:106-111．
［9］张晓，王莉莉. 基于多分类器融合的卫星图像舰船目标识别［J］. 通信技术， 2019，52（9）:2143-2148.
［10］ XUE R H， BAI X R， ZHOU F. Spatial-temporal ensemble convolution for sequence SAR target classification［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021，59（2）:1250-1262.
［11］ WANG L， BAI X R， XUE R H， et al. Few-shot SAR automatic target recognition based on Conv-BiLSTM prototypical network［J］. Neurocomputing， 2021，443（1）: 235-246.
［12］ HUANG L Q， LIU B， LI B Y， et al. OpenSARShip: A dataset dedicated to Sentinel-1 ship interpretation［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2018，11（1）:195-208.
［13］ HOU X Y， AO W， XU F. End-to-end automatic ship detection and recognition in high-resolution Gaofen-3 spaceborne SAR images ［C］// IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium. 2019:9486-9489.
［14］ HOU X Y， AO W， SONG Q， et al. FUSAR-Ship: Building a high-resolution SAR-AIS matchup dataset of Gaofen-3 for ship detection and recognition ［J］. Science China Information Sciences volume， 2020，63（4）:36-54.
［15］ BENTES C， VELOTTO D， TINGS B. Ship classification in TerraSAR-X images with convolutional neural networks［J］. IEEE Journal of Oceanic Engineering， 2018，43（1）:258-266.
［16］ WU Y X， YUAN Y， GUAN J， et al. Joint convolutional neural network for small-scale ship classification in SAR images［C］// IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium. 2019:2619-2622.
［17］ HE J L， WANG Y H， LIU H W. Ship classification in medium-resolution SAR Images via densely connected triplet CNNs integrating fisher discrimination regularized metric learning［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021，59（4）:3022-3039.
［18］ ZHANG T W， ZHANG X L， KE X， et al. HOG-ShipCLSNet: A novel deep learning network with hog feature fusion for SAR ship classification［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021，60（1）:1-22.
［19］ XU Y J， LANG H T. Ship classification in SAR images with geometric transfer metric learning［J］. IEEE Transactions on Geoscience and Remote Sensing， 2020，59 （8）:6799-6813.
［20］ LU C C， LI W H. Ship classification in high-resolution SAR images via transfer learning with small training dataset［J］. Sensors， 2018，19（1）:63.
［21］ WANG Y Y， WANG C， ZHANG H. Ship classification in high-resolution SAR images using deep learning of small datasets［J］. Sensors， 2018，18（9）:2929.
［22］ ZHANG D， LIU J， HENG W， et al. Transfer learning with convolutional neural networks for SAR ship recognition［J］. IOP Conference， 2018，322（7）:248-260.
［23］张梦雨. 基于ResNet和注意力机制的花卉识别［J］. 计算机与现代化， 2021 （4）:61-67.
［24］ DONG Y B， ZHANG H， WANG C， et al. Fine-grained ship classification based on deep residual learning for high-resolution SAR images［J］. Remote Sensing Letters， 2019，10 （11）: 1095-1104.
［25］ SANDLER M， HOWARD A， ZHU M L， et al. Mobilenetv2: Inverted residuals and linear bottlenecks［C］// Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition. 2018:4510-4520.
［26］ IANDOLA F N， HAN S， MOSKEWICZ M W， et al. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5 MB model size［J］. arXiv preprint arXiv:1602.07360， 2016.
［27］ ZHANG C B， JIANG P T， HOU Q B， et al. Delving deep into label smoothing［J］. IEEE Transactions on Image Processing， 2021，30:5984-5996.
［28］ WEI Y X， LIU Q X， ZHANG G X， et al. Label smoothing technique for ordinal classification in cloud assessment［C］// IGARSS 2020-2020 IEEE International Geoscience and Remote Sensing Symposium. 2020: 2264-2267.
［29］冯泽安，王鹏. 基于多分类模型加权投票法的人脸微笑检测［J］. 计算机技术与发展， 2019，29（2）:81-86.
［30］李佳，郭剑毅，刘艳超，等. 基于多分类器加权投票法的越南语组合歧义消歧［J］. 计算机科学， 2018，45（1）:167-172.
［31］ CUI Y， ZHOU G Y， YANG J Y， et al. On the iterative censoring for target detection in SAR images［J］. IEEE Geoscience and Remote Sensing Letters， 2011，8（4）:641-645.
［32］ MA N N， ZHANG X Y， ZHENG H T， et al. Shufflenet v2: Practical guidelines for efficient cnn architecture design［C］// Proceedings of the European Conference on Computer Vision （ECCV）. 2018:122-138.
［33］ HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. 2017: 2261-2269.

[1]	谷岳, 邓松峰, 沈霁, 穆文涛, 赵恩棋. 基于改进YOLOv8的SAR舰船目标检测算法[J]. 计算机与现代化, 2024, 0(12): 78-83.
[2]	孙智博, 徐向辉, . 基于谱归一化生成对抗网络的目标SAR图像仿真方法[J]. 计算机与现代化, 2020, 0(08): 14-20.
[3]	许亚男;汪贤才. 基于BayesShrink软阈值的Bandelet域SAR图像去噪[J]. 计算机与现代化, 2011, 1(11): 67-3.