(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 202211024164.9 (22)申请日 2022.08.24 (71)申请人 浙江工商大 学 地址 310018 浙江省杭州市下沙高教园区 学正街18号 (72)发明人 徐晓刚　张志鑫　雷家旭　徐冠雷　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 郑海峰 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/75(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于卷积神经网络的局部舰船识别方 法 (57)摘要 本发明公开了一种基于卷积神经网络的局 部舰船识别方法， 该方法包括如下步骤： 将原始 的舰船图片进行裁剪分割构成补丁集， 将分割后 的图片进行采样后输入到改进的Siamese孪生网 络进行训练， 提取局部关键特征向量， 作为后续 目标匹配的特征库。 将待识别的局部缺损舰船图 片输入到改进 的Siamese网络提取特征向量后， 与特征库进行匹配后， 输出特征对， 将特征对输 入Metric network训练测度网络， 得到相似度概 率， 相似度大于一定阈值则判断该缺损图像为舰 船。 权利要求书2页 说明书5页 附图3页 CN 115410068 A 2022.11.29 CN 115410068 A 1.一种基于卷积神经网络的局部舰船识别方法， 其特 征在于： 包括以下步骤： (1)获取多种类型的舰船图片， 并对每张舰船图片像素大小进行统一， 再进行标注得到 舰船数据集； (2)对舰船 数据集按像素进行分割得到相应的补丁 集； (3)在目标检测数据集上训练改进的Siamese网络， 得到预训练权 重文件； (4)加载步骤(3)的预训练权重文件， 在舰船数据集以及补丁集上重 复步骤(3)， 提取关 键特征向量， 构建特征库， 并且得到新的权重文件； 最 终得到一个训练完成的包含了特征库 和新的权 重文件的改进的Siamese网络； (5)将待识别的舰船图片输入训练完成的改进的Siamese网络进行检测识别， 得到舰船 类型和置信度。 2.根据权利要求1所述的基于卷积神经网络的局部舰船识别方法， 其特征在于： 步骤 (3)中所述的改进的Siamese网络包括特征提取网络、 BottleNeck部分和Metric  network； 特征提取网络使用了两个相同的且共享权重文件的Hs ‑ResNet， BottleNeck部分用于减少 参数的数量， 从而减少计算 量； Metric network用于计算损失函数。 3.根据权利要求1所述的基于卷积神经网络的局部舰船识别方法， 其特征在于： 步骤 (1)中舰船数据集像素大小统一为640*640； 步骤(2)中舰船数据集被分割为16份像素为 160*160的补丁集。 4.根据权利要求1所述的基于卷积神经网络的局部舰船识别方法， 其特征在于： 所述目 标检测数据集 为COCO数据集。 5.根据权利要求1所述的基于卷积神经网络的局部舰船识别方法， 其特征在于： 步骤 (4)中所述的构建特 征库： 首先对于所有候选框特征F＝{f1,f2,…,fN}， 对于真实类别c从特征库中获取内特征 计算其与根据舰船数据集标注区域提取出的特征值中所有特征的相似 度， 其中真实类别c可以为 航母、 巡洋舰， 这里采用cosi ne值， 公式如下： 其中， fi为候选框特征， 为真实类别c下特征库的内特征， 为fi和 的向量cosine 值， 这里用作fi和 特征的相似度； 选择相似度最大的一对进行考虑， 计算与目标候选框重叠部分大于 阈值的其他候选框 与其的特 征距离平均值 其公式如下： fi为大于阈值的其他候选框的特征， 为相似度最大的目标候选框特征； 表示 其他候选框和目标候选 框的交并比， τ表示设定的阈值， meani()表示取平均值； 标候选框和相似度最大的候选框都设为正例， 其他候选框如果与它们的IoU大于0.5， 则认为是同类视为 正例， 反之设为反例， 由此 形成损失函数 公式如下：权　利　要　求　书 1/2 页 2 CN 115410068 A 2N为候选框数量， C为类别的数量， xc,i表示属于真实类别c的提议i的置信度， wi为提议i 的损失权 重， yc,i提议i的伪标签； 提 议i表示生成的候选 框。 6.根据权利要求2所述的基于卷积神经网络的局部舰船识别方法， 其特征在于： 所述步 骤(4)具体为： (4.1)将舰船 数据集以及 补丁集输入到特 征提取网络中， 得到 输出后的特 征图X； (4.2)将特征图X输入到BottleNeck部分， BottleNeck部分是一个神经元个数为B的全 连接层， 得到特 征图Y； (4.3)将特 征图Y输入到特 征库中， 进行 特征库的构建， 作为该类别特 征库的内特 征； (4.4)将特征图Y输入到Metric  network中， Metric  network由三个具有ReLU全连接层 组成， 与特征库进行匹配后， 更新特征库， 输出端给出置信度和边界框， 同时得到新的权重 文件。 7.根据权利要求6所述的一种基于匹配算法的局部缺损舰船识别方法， 其特征在于， 所 述的步骤(4.1)具体为： 在特征提取网络的两个Hs ‑ResNet中， 一个输入补丁集另一个是输入舰船数据 集， 对于 输入的舰船数据集以及补丁集的每个像素， 将其强度值x([0,255])归一化为(x ‑128)/160， 将归一化后的图经过1*1卷积之后， 切分成S组， 每一组有W个通道， 即W个特征图； 第一组数 据直接送入到最后的输出中， 第二组的特征图经过3*3卷积后， 再切分为两组子特征图， 一 组特征图直接送入到最后的输出进行concat拼接， 另外一组子特征图concat 拼接到第三组 特征图， 如此循环往复； 最后concat完成后的特征图进 行1*1卷积进 行特征融合得到特征图 X， 计算公式如下： 其中yi表示第i组输出的特征， xi表示图像的初始特征在经过1*1卷积后被split成S组 后的第i组特征， Fi()表示第i组的卷积函数， 表示concat操作,yi‑1,2表示第i‑1组输出的 特征yi经过split切分后的结果。 8.根据权利要求6所述的一种基于匹配算法的局部缺损舰船识别方法， 其特征在于， 所 述神经元个数B∈{128,25 6,512,1024}。权　利　要　求　书 2/2 页 3 CN 115410068 A 3