1.一种卷积神经网络模型设计空间McaNetX的优化方法,其特征在于,所述优化方法包括以下步骤:
1)根据SAR图像的特点设计特征提取网络的基础结构并将所述基础结构使用结构参数表示;
2)利用设计空间样本分析工具分析步骤2)中的结构参数规律作为设计规律;
3)整体地评判从设计空间McaNetX随机取样并训练所获得的模型组成的样本模型的性能,比较性能的变化;
4)通过步骤2)中的结构参数变化规律对设计空间McaNetX进行优化;
所述步骤1)中基础结构为McaNet多分支跨通道注意网络,所述McaNet多分支跨通道注意网络包括固定结构与可变结构,所述结构参数包括结构参数Depth、Width、Bot_mul以及结构参数Groups;
所述固定结构包括Stem网络茎和Head网络头,Stem网络茎负责对输入所述McaNet多分支跨通道注意网络的图片进行预处理,Head网络头由全局池化层与全连接层组成;
所述可变结构包括Body网络体,所述Body网络体包含4个Stage网络阶段,每个所述Stage网络阶段由1个Block-A网络块与若干个Block-B网络块组成,每个Stage网络阶段中所包含的Block块数量为所述结构参数Depth;
所述Block-A网络块和所述Block-B网络块的主干卷积均包括若干个分支和跨通道注意模块,每个分支是McaNet多分支跨通道注意网络中可变结构的最小可变单位,每个分支均包括2个1×1卷积层与1个3×3卷积层;
其中所述3×3卷积层的输出通道数为结构参数Width,结构参数Width的大小与神经网络从输入图像中提取的图像特征信息量大小正相关,且所述3×3卷积层采用空洞卷积,空洞卷积的空洞率由变量Rs控制,Block-A网络块和所述Block-B网络块中的分支数由变量Rn控制,若干个分支的输出特征图由所述跨通道注意模块加权提取特征;
所述可变结构还包括瓶颈结构,所述结构参数Bot_mul是控制瓶颈比率的结构参数,所述结构参数Bot_mul通过调整部分卷积核的通道数大小,以达到控制网络的Body部分的瓶颈结构的目的;在McaNet的分组卷积机制中,通过结构参数Groups控制分组卷积的组数;
所述可变结构还包括旁路卷积结构,
对于所述Block-A网络块,所述旁路卷积结构为在每个Stage的Block-A中将当前的特征图输入通过右侧旁路卷积的一个1×1卷积核转换为与结构参数Width相同的通道数,随后将输出特征图左侧主干卷积输出进行矩阵元素相加;
对于所述Block-B网络块,所述旁路卷积结构为将输入与主干输出进行矩阵元素相加;
所述步骤2)中分析结构参数的规律的方法为
2.1)将样本模型按照测试集准确率进行排序,提取排序后的样本模型总量的前10%的模型;获取在样本模型中序号为j的模型的MSTAR测试集准确率accuracy其中C
2.2)通过加权平均法求得样本模型每个Stage网络阶段的结构参数均值C所述步骤3)中通过样本分布函数评判整个设计空间的性能,首先通过公式计算样本分布函数F(e),其中e
其中w
最后通过公式
所述步骤4)中设计空间集合McaNetX包括McaNetXA、McaNetXB、McaNetXC、McaNetXD、McaNetXE、McaNetXF,其中McaNetXA作为后续所有设计空间的父集;
对于McaNetXB:令设计空间McaNet的每个Stage的结构参数Bot_mul相同,在固定了每个Stage的结构参数Bot_mul以后,McaNetXB设计空间性能与McaNetXA设计空间性能接近;
对于McaNetXC:在McaNetXB的基础上,令设计空间McaNet的每个Stage的结构参数Groups相同,固定Groups对McaNet多分支跨通道注意网络的性能影响较小;
对于McaNetXD:按照步骤2)对结构参数Width进行分析以获取设计规律,随后将设计规律应用于McaNetXC的设计,从而得到了McaNetXD的样本模型;
对于McaNetXE:按照步骤2)对结构参数Depth进行约束进行分析以获取设计规律,随后将该规律应用于McaNetXD并随机采样模型训练,从而得到了McaNetXE的样本模型;
对于McaNetXF:按照步骤2)对结构参数Rs与Rn进行约束进行分析以获取设计规律,随后将该规律应用于McaNetXE并随机采样模型训练,从而得到了McaNetXF的样本模型。