迁移学习与注意力机制结合的SAR图像目标识别方法技术

本发明专利技术公开了一种迁移学习与注意力机制结合的SAR图像目标识别方法，包括以下步骤S1、输入的SAR图像经过7*7的卷积核提取出卷积特征图；S2、得到的卷积特征图输入注意力机制进行聚焦，得到初步聚焦特征图；S3、初步聚焦特征图输入到微调后的残差网络得到权重特征图，所述残差网络是结合深度迁移学习的方法形成的，将残差网络在已知数据集上训练出来的权重模型迁移至SAR图像的识别工作中；S4、得到含有权重的权重特征图再次输入到注意力机制进行聚焦；S5、把含有权重的聚焦的目标识别特征图输入后续卷积层进行分类得到目标识别结果，本发明专利技术能提高特征筛选的能力，进而提高SAR图像的目标识别能力，从而有效的提高识别性能。从而有效的提高识别性能。从而有效的提高识别性能。

【技术实现步骤摘要】
迁移学习与注意力机制结合的SAR图像目标识别方法


[0001]本专利技术涉及，尤其涉及一种迁移学习与注意力机制结合的SAR图像目标识别方法。

技术介绍

[0002]SAR作为一种高分辨率成像雷达，不受天气、光照等条件影响，具有一定的地表穿透能力，能够实现对隐蔽目标的穿透探测，而且能够实现全天时、全天候持续对地观测。这些优良性能使得SAR在民用和军用领域的应用也越来越广泛。
[0003]近些年来，SAR的技术发展越来越快，成像质量越来越好，图像分辨率越来越高，但基于SAR图像的自动目标识别(Automatic Target Recognition,ATR)则发展相对缓慢。SAR ATR的难点主要体现在两个方面：(1)噪声干扰的影响，尤其是在噪声比较严重的情况下模型性能下降，甚至于无法正确的识别目标问题；(2)信息量大，信息杂乱且不够聚焦，无法快速准确的识别到有关系的信息。

技术实现思路

[0004]本专利技术的目的在于解决现有技术中存在的技术问题，提供一种迁移学习与注意力机制结合的SAR图像目标识别方法。
[0005]为实现上述目的，本专利技术提供的技术方案是：一种迁移学习与注意力机制结合的SAR图像目标识别方法，所述方法包括以下步骤：
[0006]S1、输入的SAR图像经过7*7的卷积核提取出卷积特征图；
[0007]S2、得到的卷积特征图输入注意力机制进行聚焦，得到初步聚焦特征图，其中注意力机制是从大量数字图像信息中过滤出感兴趣点，有选择地筛选出重要信息并聚焦；/>[0008]S3、初步聚焦特征图输入到微调后的残差网络得到权重特征图，所述残差网络是利用深度卷积网络先完成端到端的目标识别任务，然后结合深度迁移学习的方法形成的，将残差网络在已知数据集上训练出来的权重模型迁移至SAR图像的识别工作中，加速SAR图像识别模型训练时间；
[0009]S4、得到含有权重的权重特征图再次输入到注意力机制进行聚焦；
[0010]S5、把含有权重的聚焦的目标识别特征图输入后续卷积层进行分类得到目标识别结果。
[0011]优选的，所述S3中深度迁移学习的方法为深度网络的微调，将残差网络在ImageNet数据集上训练的权重模型迁移至SAR图像识别工作中。
[0012]优选的，所述S2中的注意力机制为CBAM混合注意力模块，所述混合注意力模块的操作方法为通道注意力机制和空间注意力机制结合使用。
[0013]优选的，所述通道注意力机制为：通道子模块利用共享网络的最大汇集输出和平均汇集输出，所述通道注意力机制计算公式为：
[0014][0015]其中，A
c
(F)表示通道注意力机制函数，F表示通道注意力机制的输入，以矩阵形式
进行计算，σ表示sigmoid函数，W0表示多层感知机内隐藏层权重计算，W1表示多层感知机内输出层权重计算，表示通道注意力机制内对输入F做平均池化；表示通道注意力机制内对输入F做最大池化。
[0016]优选的，所述W0和W1为两个输入共享，ReLU激活功能后接W0；W0∈R
C/r
×
C
，W1∈R
C
×
C/r
，W0∈R
C/r
×
C
表示W0是输入层C个神经元到隐藏层C/r个神经元之间的权重值，C表示SAR图像数据的通道数，r表示多层感知机的一个超参数，R表示图片数据；W1∈R
C
×
C/r
表示W1是隐藏层C/r个神经元到输出层C个神经元之间的权重值。
[0017]优选的，所述空间注意力机制为：空间子模块利用沿通道轴汇集的两个类似的输出，并将它们转发到卷积层，所述空间注意力机制的公式为：
[0018][0019]其中，A
s
(F)表示空间注意力机制函数，F表示空间注意力机制的输入；σ表示sigmoid函数，f7×7表示卷积核大小为7*7的卷积运算操作，表示在空间注意力机制中对图像数据做沿通道维度做平均池化；表示在空间注意力机制中对图像数据做沿通道维度做最大池化。
[0020]优选的，表示把平均池化数据和最大池化树沿通道维度拼接在一起，得到的特征图维度表示在输入特征图数据在空间注意力机制的平均池化处理后特征图数据维度变为1
×
H
×
W；表示在输入特征图数据在空间注意力机制的最大池化处理后特征图数据维度变为1
×
H
×
W。
[0021]优选的，用所述目标识别向量M所述S5中得到的目标识别结果；所述目标识别向量M是通过注意力学习得到的权值A与输入H相乘得到：
[0022]M＝AH
ꢀꢀꢀ
(3)
[0023]上式中，H为注意力层输入，而A作为注意力的编码输出；
[0024]A计算如下所示：
[0025][0026]其中，为矩阵乘法元素；A
c
为一维通道注意图，A
s
为二维空间注意图。
[0027]本专利技术有益效果：
[0028]本专利技术相对于传统的SAR图像目标识别方法而言，基于深度迁移学习的SAR ATR方法具有更强的表现能力，通过利用微调后的残差网络，能够快速的提取图像特征，实现端到端的学习，再结合注意力机制，聚焦包含目标特征的信息，提高特征筛选的能力，进而提高SAR图像的目标识别能力，从而有效的提高识别性能。
附图说明
[0029]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0030]图1为本专利技术深度迁移模型示意图；
[0031]图2为本专利技术CBAM结构图；
[0032]图3为本专利技术通道注意力模型结构示意图；
[0033]图4为本专利技术空间注意力模型结构示意图；
[0034]图5为本专利技术注意力机制与迁移模型结合的SAR图像识别算法结构示意图；
[0035]图6为不同程度噪声影响下的SAR图像识别率对比折线图。
具体实施方式
[0036]本部分将详细描述本专利技术的具体实施例，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本专利技术的每个技术特征和整体技术方案，但其不能理解为对本专利技术保护范围的限制。
[0037]参照图1
‑
图6，本专利技术的优选实施例，一种迁移学习与注意力机制结合的SAR图像目标识别方法，所述方法包括以下步骤：
[0038]S1、输入的SAR图像经过7*7的卷积核提取出卷积特征图；
[0039]S2、得到的卷积特征图输入注意力机制进行聚焦，得到初步聚焦特征图，其中注意力机制是从大量数字图像信息中过滤出感兴趣点，有选择地筛选出重要信息并聚焦，进一步改善性能；
[0040]S3、初步聚焦特征图输入到微调后的残差网络得到权重特征图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种迁移学习与注意力机制结合的SAR图像目标识别方法，其特征在于：所述方法包括以下步骤：S1、输入的SAR图像经过7*7的卷积核提取出卷积特征图；S2、得到的卷积特征图输入注意力机制进行聚焦，得到初步聚焦特征图，其中注意力机制是从大量数字图像信息中过滤出感兴趣点，有选择地筛选出重要信息并聚焦；S3、初步聚焦特征图输入到微调后的残差网络得到权重特征图，所述残差网络是利用深度卷积网络先完成端到端的目标识别任务，然后结合深度迁移学习的方法形成的，将残差网络在已知数据集上训练出来的权重模型迁移至SAR图像的识别工作中，加速SAR图像识别模型训练时间；S4、得到含有权重的权重特征图再次输入到注意力机制进行聚焦；S5、把含有权重的聚焦的目标识别特征图输入后续卷积层进行分类得到目标识别结果。2.根据权利要求1所述的迁移学习与注意力机制结合的SAR图像目标识别方法，其特征在于：所述S3中深度迁移学习的方法为深度网络的微调，将残差网络在ImageNet数据集上训练的权重模型迁移至SAR图像识别工作中。3.根据权利要求1所述的迁移学习与注意力机制结合的SAR图像目标识别方法，其特征在于：所述S2中的注意力机制为CBAM混合注意力模块，所述混合注意力模块的操作方法为通道注意力机制和空间注意力机制结合使用。4.根据权利要求3所述的迁移学习与注意力机制结合的SAR图像目标识别方法，其特征在于：所述通道注意力机制为：通道子模块利用共享网络的最大汇集输出和平均汇集输出，所述通道注意力机制计算公式为：其中，A
c
(F)表示通道注意力机制函数，F表示通道注意力机制的输入，以矩阵形式进行计算，σ表示sigmoid函数，W0表示多层感知机内隐藏层权重计算，W1表示多层感知机内输出层权重计算，表示通道注意力机制内对输入F做平均池化；表示通道注意力机制内对输入F做最大池化。5.根据权利要求4所述的迁移学习与注意力机制结合的SAR图像目标识别方法，其特征在于：所述W0和W1为两个输入共享，ReLU激活功能后接W0；W0∈R
C/r
×
C
，W1∈R
...

【专利技术属性】
技术研发人员：肖永生，毛聪，黄丽贞，贺丰收，胡义海，饶烜，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：