(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210618884.1 (22)申请日 2022.05.31 (71)申请人 西安邮电大 学 地址 710121 陕西省西安市长安区韦郭 路 西安邮电大 学南校区 (72)发明人 何敬鲁　常文龙　王富平　刘颖　 李莹华　 (74)专利代理 机构 西安永生专利代理有限责任 公司 61201 专利代理师 申忠才 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于分组双线性卷积神经网络的双极化雷 达舰船分类方法 (57)摘要 一种基于分组双线性卷积神经网络的双极 化雷达舰船分类方法， 由获取数据集、 扩充数据 集、 构建分组双线性卷积神经网络、 构建多极化 通道融合损失函数、 训练分组双 线性卷积神经网 络、 测试分组双线性卷积神经网络步骤组成， 本 发明针对双线性池化进行改进， 提出了分组双线 性池化层结构， 将特征图分为若干个子特征图， 对子特征图进行双线性池化串联， 形成紧凑的双 线性向量。 与传统的双线性池化层相比， 极大减 小了计算量， 提高了训练的效率； 本发明提出了 新的损失函数， 平衡自双线性池化和跨双线性池 化的重要性， 实现了对船舶准确地分类 。 权利要求书3页 说明书10页 附图2页 CN 114973016 A 2022.08.30 CN 114973016 A 1.一种基于分组双线性卷积神经网络的双 极化雷达舰船分类方法， 其特征在于由下述 步骤组成： (1)获取数据集 从OpenSARShip数据库中选取垂直发射垂直接收信号VV极化和垂直发射水平接收信号 VH极化的两种雷达舰船图像， 按8： 2分为训练集和 测试集； (2)扩充数据集 使用翻转、 旋转、 平 移、 加噪方法对训练集进行8倍的扩充， 得到扩充后的训练集； (3)构建分组双线性卷积神经网络 分组双线性卷积神经网络由深度密集连接层和分组双线性池化层串联构成； (4)构建多极化 通道融合损失函数 按下式确定多极化 通道融合损失函数LMPFL： LMPFL＝α(LVH‑VH+LVV‑VV)+(1‑α )LVH‑VV 式中， LVH‑VH表示垂直发射水平接收VH极化雷达图像进行自双线性池化的损失， LVV‑VV表 示垂直发射垂直接收VV极化 雷达图像进行自双线性池化的损失， LVH‑VV表示垂直发射 水平接 收VH极化雷达图像和垂直发射垂直接收VV极化雷达图像进行跨双线性池化的损失， α 是超 参数， α∈(0,1)， yi为真实船舶标签的独热编码形式， N为扩充后的训练集总数， 是softmax函数对双/单极化 合成孔径雷达图像的输出 结果； (5)训练分组双线性卷积神经网络 将扩充后的训练集输入到分组双线 性卷积神经网络， 输 出分类结果， 用损失函数LMPFL对 分组双线性卷积神经网络进行训练， 训练至网络 收敛， 得到训练好的分组双线性卷积神经 网络； (6)测试分组双线性卷积神经网络 将舰船测试集输入到训练好的分组双线性卷积神经网络中， 得到双 极化雷达舰船分类 结果。 2.根据权利要求1所述的基于分组双线性卷积神经网络的双极化雷达舰船分类方法， 其特征在于： 在(3)步骤中， 所述的深度密集连接层由结构相同相互并联的第一深度密集连 接层、 第二深度密集连接层构成， 第一深度密集连接层由基础层S与密集连接层D1、 过渡降 维层T1、 密集连接层D2、 过渡降维层T2、 密集连接层D3、 过渡降维层T3、 密集连接层D4、 过渡 降维层T4、 密集连接层D5依次串联构成； 所述的分组双线性池化层由卷积层C1、 通道分组层、 第一自双线性池化层、 跨双线性池 化层、 第二自双线性池化层、 全连接层FC、 输出层连接构成， 卷积层C1的输入与密集连接层 D5的输出相连、 输出与通道分组层相连， 通道分组层的输出分别与第一自双线性池化层、 跨权　利　要　求　书 1/3 页 2 CN 114973016 A 2双线性池化层、 第二自双线性池化层的输入相连， 第一自双线性池化层、 跨双线性池化层、 第二自双线性池化层的输出与全连接层FC的输入相连， 全连接层FC的输出与输出层的输入 相连。 3.根据权利要求2所述的基于分组双线性卷积神经网络的双极化雷达舰船分类方法， 其特征在于在(3)步骤中， 所述的第一深度密集连接层的构建方法如下： 基础层S由2个卷积块串联构成， 每个卷积块由卷积层L1与批量归一化层L2、 激活函数层 L3依次串联构成， 激活函数层L3输出非线性映射ReLU(x)如下： ReLU(x)＝max(0,x) 式中， x为批量归一 化L2层的输出， 卷积核大小均为3， 步长为1； 所述的密集连接层D1由3个增长率为3的卷积块串联构 成， 每个卷积块由批量归一化层 与激活函数层 卷积层 dropout层 依次串联构成， 卷积层 的卷积核大小均为 3， 步长为1， n表示第n个卷积块， n∈{1,2,3}； 所述的过渡降维层T1由批量归一化层 与激活函数层 卷积层 平均池化层 依 次串联构成， 卷积层 的卷积核大小为3， 步长为1， 平均池化层 的平均池化核大小为2， 步 长为2； 所述的密集连接层D2由3个增长率为6的卷积块串联构 成， 每个卷积块由批量归一化层 与激活函数层 卷积层 dropout层 依次串联构成， 卷积层 的卷积核大小为3， 步长为1； 所述的过渡降维层T2由批量归一化层 与激活函数层 卷积层 平均池化层 依 次串联构成， 卷积层 的卷积核大小为3， 步长为1， 平均池化层 的平均池化核大小为2， 步 长为2； 所述的密集连接层D3由3个增长率为9的卷积块串联构 成， 每个卷积块由批量归一化层 与激活函数层 卷积层 dropout层 依次串联构成， 卷积层 的卷积核大小为3， 步长为1； 所述的过渡降维层T3由批量归一化层 与激活函数层 卷积层 平均池化层 依 次串联构成， 卷积层 的卷积核大小为3， 步长为1， 平均池化层 的平均池化核大小为2， 步 长为2； 所述的密集连接层D4由3个增长率为12的卷积块串联而成， 每个卷积块由批量归一化 层 与激活函数层 卷积层 dropout层 依次串联构成， 卷积层 的卷积核大小为 3， 步长为1； 所述的过渡降维层T4， 由批量归一化层 与激活函数层 卷积层 平均池化层 依次串联构成， 卷积层 的卷积核大小为3， 步长为1， 平均池化层 的平均池化核大小为2， 步长为2； 所述的密集连接层D5由3个增长率为15的卷积块串联而成， 每个卷积块由批量归一化权　利　要　求　书 2/3 页 3 CN 114973016 A 3