基于注意力机制卷积神经网络的红外目标分类方法技术

本申请涉及一种基于注意力机制卷积神经网络的红外目标分类方法。所述方法包括：根据红外目标数据构建目标数据库，建立用于模型训练的训练集和测试集，将红外目标数据输入预先设置的卷积神经网络，通过卷积层得到红外目标数据对应的卷积特征，根据训练集，对卷积特征进行训练，得到每个卷积特征对应的归一化权值，将卷积特征和对应的归一化权值进行点乘之后输入卷积神经网络的第一全连接层中，对第一全连接层的网络权重进行反向训练，根据测试集确定卷积神经网络训练完成，得到分类模型，将待分类红外目标数据输入分类模型，得到待分类红外目标数据的所属分类。采用本方法能够有效提高网络的泛化能力和分类的准确性。

【技术实现步骤摘要】
基于注意力机制卷积神经网络的红外目标分类方法
本申请涉及红外目标识别
，特别是涉及一种基于注意力机制卷积神经网络的红外目标分类方法。
技术介绍
目标识别在红外成像探测系统中发挥着重要作用。在进行远距离红外探测时，目标在成像平面通常呈现为点目标，能够利用的信息十分有限，给识别带来极大的挑战。通过多帧图像的能量累积，获取目标的灰度时间序列，为点目标的识别提供一种有效的解决思路。传统的方法依赖于人工特征提取和分类器的设计，需要对目标特性具有全面深入的分析和理解，存在费时耗力以及对目标和环境的适应性较差的问题，因此，目前的红外目标识别中分类器的泛化能力弱以及分类准确率低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够解决分类器的泛化能力弱以及分类准确率低问题的基于注意力机制卷积神经网络的红外目标分类方法、装置、计算机设备和存储介质。一种基于注意力机制卷积神经网络的红外目标分类方法，所述方法包括：根据红外目标数据构建目标数据库，根据所述目标数据库建立用于模型训练的训练集和测试集；从所述训练集中获取红外目标数据，将所述红外目标数据输入预先设置的卷积神经网络，通过卷积层得到所述红外目标数据对应的卷积特征；根据所述训练集，对所述卷积特征进行训练，得到每个所述卷积特征对应的归一化权值；将所述卷积特征和对应的归一化权值进行点乘之后输入卷积神经网络的第一全连接层中对所述第一全连接层的网络权重进行反向训练；根据所述测试集确定所述卷积神经网络训练完成，得到分类模型；将待分类红外目标数据输入所述分类模型，得到待分类红外目标数据的所属分类。在其中一个实施例中，还包括：根据点源红外辐射理论，仿真生成目标对应的红外辐射强度序列；根据所述红外辐射强度序列构建目标数据库。在其中一个实施例中，还包括：将所述卷积特征进行全局平均池化，得到池化特征如下：其中，Fglobal(·)表示池化特征，L表示卷积特征的特征长度，vM(i)表示卷积特征vM中第i个特征。在其中一个实施例中，还包括：根据所述训练集，得到所述卷积层输出的卷积特征向量为V＝[v1,v2,…,vM]；其中，M表示卷积特征的数量；根据第二全连接层对所述卷积特征向量进行非线性变换，通过softmax对非线性变换结果进行归一化，得到每个卷积特征对应的归一化权值。在其中一个实施例中，还包括：将所述卷积特征和对应的归一化权值进行点乘，得到第一全连接层的输入特征为：yM＝Fscale(vM,sM)＝sM·vM其中，yM表示输入特征，sM表示归一化权值，vM表示卷积特征；将所述输入特征输入卷积神经网络的全连接层中，输出所述输入特征对应的标签；根据预先设置的损失函数对网络权重进行反向训练。一种基于注意力机制卷积神经网络的红外目标分类装置，所述装置包括：数据库模块，用于根据红外目标数据构建目标数据库，根据所述目标数据库建立用于模型训练的训练集和测试集；卷积模块，用于从所述训练集中获取红外目标数据，将所述红外目标数据输入预先设置的卷积神经网络，通过卷积层得到所述红外目标数据对应的卷积特征；注意力模块，用于根据所述训练集，对所述卷积特征进行训练，得到每个所述卷积特征对应的归一化权值；训练模块，用于将所述卷积特征和对应的归一化权值进行点乘之后输入卷积神经网络的第一全连接层中对所述第一全连接层的网络权重进行反向训练；根据所述测试集确定所述卷积神经网络训练完成，得到分类模型；分类模块，用于将待分类红外目标数据输入所述分类模型，得到待分类红外目标数据的所属分类。在其中一个实施例中，所述数据库模块还用于根据点源红外辐射理论，仿真生成目标对应的红外辐射强度序列；根据所述红外辐射强度序列构建目标数据库。在其中一个实施例中，注意力模块还用于根据所述训练集，得到所述卷积层输出的卷积特征向量为V＝[v1,v2,…,vM]；其中，M表示卷积特征的数量；根据第二全连接层对所述卷积特征向量进行非线性变换，通过softmax对非线性变换结果进行归一化，得到每个卷积特征对应的归一化权值。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：根据红外目标数据构建目标数据库，根据所述目标数据库建立用于模型训练的训练集和测试集；从所述训练集中获取红外目标数据，将所述红外目标数据输入预先设置的卷积神经网络，通过卷积层得到所述红外目标数据对应的卷积特征；根据所述训练集，对所述卷积特征进行训练，得到每个所述卷积特征对应的归一化权值；将所述卷积特征和对应的归一化权值进行点乘之后输入卷积神经网络的第一全连接层中对所述第一全连接层的网络权重进行反向训练；根据所述测试集确定所述卷积神经网络训练完成，得到分类模型；将待分类红外目标数据输入所述分类模型，得到待分类红外目标数据的所属分类。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：根据红外目标数据构建目标数据库，根据所述目标数据库建立用于模型训练的训练集和测试集；从所述训练集中获取红外目标数据，将所述红外目标数据输入预先设置的卷积神经网络，通过卷积层得到所述红外目标数据对应的卷积特征；根据所述训练集，对所述卷积特征进行训练，得到每个所述卷积特征对应的归一化权值；将所述卷积特征和对应的归一化权值进行点乘之后输入卷积神经网络的第一全连接层中对所述第一全连接层的网络权重进行反向训练；根据所述测试集确定所述卷积神经网络训练完成，得到分类模型；将待分类红外目标数据输入所述分类模型，得到待分类红外目标数据的所属分类。上述基于注意力机制卷积神经网络的红外目标分类方法、装置、计算机设备和存储介质，通过引入卷积神经网络，提高对红外目标分类的准确性，另一方面，引入注意力机制，通过归一化权值，获得不同卷积特征之间的关系，增强分类中的重要信息，抑制不重要的信息，从而提高网络的泛化能力，本专利技术实施例实现了准确的红外目标分类以及提高了网络的泛化能力。附图说明图1为一个实施例中卷积神经网络的结构示意图；图2为一个实施例中基于注意力机制卷积神经网络的红外目标分类方法的流程示意图；图3为一个实施例中构建目标数据库步骤的流程示意图；图4为一个实施例中基于注意力机制卷积神经网络的红外目标分类装置的结构框图；图5为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请提供的基于注意力机制卷积神经网络的红外目标分类方法，可以应用在终端中，在终端中，预先构建卷积神经网络，卷积神经网络的结构如图1所示，特征本文档来自技高网...

【技术保护点】
1.一种基于注意力机制卷积神经网络的红外目标分类方法，所述方法包括：/n根据红外目标数据构建目标数据库，根据所述目标数据库建立用于模型训练的训练集和测试集；/n从所述训练集中获取红外目标数据，将所述红外目标数据输入预先设置的卷积神经网络，通过卷积层得到所述红外目标数据对应的卷积特征；/n根据所述训练集，对所述卷积特征进行训练，得到每个所述卷积特征对应的归一化权值；/n将所述卷积特征和对应的归一化权值进行点乘之后输入卷积神经网络的第一全连接层中，对所述第一全连接层的网络权重进行反向训练；/n根据所述测试集确定所述卷积神经网络训练完成，得到分类模型；/n将待分类红外目标数据输入所述分类模型，得到待分类红外目标数据的所属分类。/n

【技术特征摘要】
1.一种基于注意力机制卷积神经网络的红外目标分类方法，所述方法包括：
根据红外目标数据构建目标数据库，根据所述目标数据库建立用于模型训练的训练集和测试集；
从所述训练集中获取红外目标数据，将所述红外目标数据输入预先设置的卷积神经网络，通过卷积层得到所述红外目标数据对应的卷积特征；
根据所述训练集，对所述卷积特征进行训练，得到每个所述卷积特征对应的归一化权值；
将所述卷积特征和对应的归一化权值进行点乘之后输入卷积神经网络的第一全连接层中，对所述第一全连接层的网络权重进行反向训练；
根据所述测试集确定所述卷积神经网络训练完成，得到分类模型；
将待分类红外目标数据输入所述分类模型，得到待分类红外目标数据的所属分类。


2.根据权利要求1所述的方法，其特征在于，所述根据红外目标数据构建目标数据库，包括：
根据点源红外辐射理论，仿真生成目标对应的红外辐射强度序列；
根据所述红外辐射强度序列构建目标数据库。


3.根据权利要求1所述的方法，其特征在于，在根据所述训练集，对所述卷积特征进行训练，得到每个所述卷积特征对应的归一化权值之前，所述方法还包括：
将所述卷积特征进行全局平均池化，得到池化特征如下：



其中，Fglobal(·)表示池化特征，L表示卷积特征的特征长度，vM(i)表示卷积特征vM中第i个特征。


4.根据权利要求1所述的方法，其特征在于，根据所述训练集，对所述卷积特征进行训练，得到每个所述卷积特征对应的归一化权值，包括：
根据所述训练集，得到所述卷积层输出的卷积特征向量为V＝[v1,v2,…,vM]；其中，M表示卷积特征的数量；
根据第二全连接层对所述卷积特征向量进行非线性变换，通过softmax对非线性变换结果进行归一化，得到每个卷积特征对应的归一化权值。


5.根据权利要求1至4任一项所述的方法，其特征在于，将所述卷积特征和对应的归一化权值进行点乘之后输入卷积神经网络的全连接层中对所述全连接层的网络权重进行反向训练，包括：
将所述卷积特征和对应的归一化权值进行点...

【专利技术属性】
技术研发人员：邓秋群，肖山竹，陶华敏，卢焕章，张焱，胡谋法，赵菲，张路平，杨卫平，石志广，沈杏林，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43