一种基于特征注意和自适应分类的雷达图像舰船识别方法技术

本发明专利技术公开了一种基于特征注意和自适应分类的雷达图像舰船识别方法，首先通过构建网络内的特征金字塔作为特征提取器，获取输入图像的多尺度特征，再利用多尺度特征注意模块增强特征的类内紧凑性和类间可分离性，最后，利用自适应加权分类器选择有效的特征尺度，将用于识别的主要特征转移到特征金字塔的所有尺度之间，并基于此分类完成最终的目标识别。本发明专利技术的方法通过优化对多尺度特征的利用，自适应地选择有效特征尺度来完成最终的准确识别，缓解了舰船雷达图像中特征存在的类内方差和类间重叠较大的问题，在OpenSARShip数据集中展现了优异的性能。展现了优异的性能。展现了优异的性能。

【技术实现步骤摘要】
一种基于特征注意和自适应分类的雷达图像舰船识别方法


[0001]本专利技术属于目标识别
，具体涉及一种基于特征注意和自适应分类的雷达图像舰船识别方法。

技术介绍

[0002]海事监测在民用领域不可或缺，包括海灾监测、航道监测、国家海上保障等。舰船监测是海上监测系统中至关重要的基础组成部分。尽管目前存在一些基于应答器的船舶监控系统，如自动识别系统(automatic identification systems，AIS)和船舶交通服务(vessel traffic services，VTS)，但在面对一些意想不到或不合作的情况时，它们不可避免地会出现问题。例如，许多国家需要在本国海域对非法渔船进行监视。不同于光学图像，雷达检测能够提供高分辨率、不受天气影响的昼夜图像，是近年来舰船监测的一种有效手段。因此，以舰船检测和识别为主要手段的雷达图像舰船监测技术的研究有必要进一步深入。
[0003]近年来，在人工提取特征的基础上进行了一些开创性的研究，以解决雷达图像舰船目标识别问题。然而，由于手动提取的特征是不灵活的，难以适用所有应用场景，因此这些方法不能很好地泛化。随着机器学习技术的迅速发展，近年来开展了很多基于深度学习的雷达图像舰船目标识别问题的研究。例如，文献“J.Li，C.Qu，and S.Peng，Ship classification for unbalanced sar dataset based on convolutional neural network，Journal of Applied Remote Sensing，vol.12，no.3，p.035010，2018.”设计了一个密集残差网络，应用不同的优化训练技术来缓解不平衡的数据集和匮乏的模型带来的局限性。尽管这些方法在雷达图像舰船目标识别中获得了不错的性能，但在实际应用中，舰船特征类内方差大、类间重叠大的关键问题却并没有得到充分考虑，这很容易导致识别失败。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出了一种基于特征注意和自适应分类的雷达图像舰船识别方法。
[0005]本专利技术采用的技术方案为：一种基于特征注意和自适应分类的雷达图像舰船识别方法，具体步骤如下：
[0006]步骤一、构建网络内的特征金字塔作为特征提取器，获取输入图像的多尺度特征；
[0007]步骤二、利用多尺度特征注意模块增强特征的类内紧凑性和类间可分离性；
[0008]步骤三、利用自适应加权分类器选择有效的特征尺度，将用于识别的主要特征转移到特征金字塔的所有尺度之间，并基于此分类完成最终的目标识别。
[0009]进一步地，所述步骤一具体如下：
[0010]将若干个残差块进行组合，搭建得到网络内的特征金字塔结构，并以此作为特征提取器，首先将舰船目标的雷达图像输入特征金字塔，经过卷积以及池化层处理初步提取得到输入图像的特征图表示，再利用卷积对特征图进行不同比例尺的下采样，从而得到多
个不同特征尺度的特征表示，即输入图像的多尺度特征。
[0011]进一步地，所述步骤二中，利用多尺度特征注意模块对提取得到的多尺度特征进行增强，使之具有更强的类内紧凑性和类间可分离性，促进后续准确识别的实现，具体如下：
[0012]该多尺度特征注意力模块应用主要包含两个步骤：一是提取不同比例尺下的主要特征，对于每个尺度，来自同一通道的不同图像的特征被收集在一起，然后通过主成分分析方法获取每组的主特征向量；二是基于主特征向量之间的相似度设计注意损失L
att
，通过约束类内紧凑性和类间可分离性在网络的反向更新中逐步实现特征增强。
[0013]进一步地，所述步骤三中，利用自适应加权分类器完成最终对于输入目标图像的类别预测，具体如下：
[0014]该自适应加权分类器运用一个可学习的权重预测器对不同尺度的所有特征进行加权，拼接得到最终的鉴别特征向量，并使用Softmax分类器进行最终的目标图像的类别预测。
[0015]本专利技术的有益效果：本专利技术的方法首先通过构建网络内的特征金字塔作为特征提取器，获取输入图像的多尺度特征，再利用多尺度特征注意模块增强特征的类内紧凑性和类间可分离性，最后，利用自适应加权分类器选择有效的特征尺度，将用于识别的主要特征转移到特征金字塔的所有尺度之间，并基于此分类完成最终的目标识别。本专利技术的方法通过优化对多尺度特征的利用，自适应地选择有效特征尺度来完成最终的准确识别，缓解了舰船雷达图像中特征存在的类内方差和类间重叠较大的问题，在OpenSARShip数据集中展现了优异的性能。
附图说明
[0016]图1为本专利技术的一种基于特征注意和自适应分类的雷达图像舰船识别方法的流程图。
[0017]图2为本专利技术实施例中一种基于特征注意和自适应分类的雷达图像舰船识别方法的整体框架图。
具体实施方式
[0018]下面结合附图与实施例对本专利技术的方法做进一步的说明。
[0019]如图1所示，本专利技术的一种基于特征注意和自适应分类的雷达图像舰船识别方法流程图，具体步骤如下：
[0020]步骤一、构建网络内的特征金字塔作为特征提取器，获取输入图像的多尺度特征；
[0021]步骤二、利用多尺度特征注意模块增强特征的类内紧凑性和类间可分离性；
[0022]步骤三、利用自适应加权分类器选择有效的特征尺度，将用于识别的主要特征转移到特征金字塔的所有尺度之间，并基于此分类完成最终的目标识别。
[0023]在本实施例中，所述步骤一具体如下：
[0024]如图2所示，特征提取器由几个残差块组成，逐步对特征图进行不同比例尺的下采样，组合构建网络内的特征金字塔，将舰船目标的雷达图像输入到网络内的特征金字塔中，即可得到多个不同特征尺度的特征表示，用于后续的增强和加权处理。
[0025]设定输入的舰船雷达图像为经过特征提取器和轻量级卷积层对特征映射的通道数进行调整后，则输入样本获取的三个比例尺的特征表示为
[0026]其中，表示第i类中的第j幅雷达图像样本，C表示本实施例应用的舰船目标的雷达图像数据集包含的类别数目，B表示第C类的图像样本数目；表示第一比例尺下的特征图，h1、w1和c1分别表示特征图的高、宽和通道数，表示数域。
[0027]在本实施例中，所述步骤二中，利用多尺度特征注意模块对提取得到的多尺度特征进行增强，使之具有更强的类内紧凑性和类间可分离性，促进后续准确识别的实现，具体如下：
[0028]基于上述网络内的特征金字塔提取得到的多尺度特征，该模块旨在提高特征金字塔浅层尺度特征的有效性和识别能力。多尺度特征注意模块应用主要包含两个步骤：一是提取不同比例尺下的主要特征，对于每个尺度，来自同一通道的不同图像的特征被收集在一起，然后通过主成分分析(principal component analysis，PCA)方法获取每组的主特征向量；二是基于主特征向量之间的相似度设计注意损失L
att
，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征注意和自适应分类的雷达图像舰船识别方法，具体步骤如下：步骤一、构建网络内的特征金字塔作为特征提取器，获取输入图像的多尺度特征；步骤二、利用多尺度特征注意模块增强特征的类内紧凑性和类间可分离性；步骤三、利用自适应加权分类器选择有效的特征尺度，将用于识别的主要特征转移到特征金字塔的所有尺度之间，并基于此分类完成最终的目标识别。2.根据权利要求1所述的一种基于特征注意和自适应分类的雷达图像舰船识别方法，其特征在于，所述步骤一具体如下：将若干个残差块进行组合，搭建得到网络内的特征金字塔结构，并以此作为特征提取器，首先将舰船目标的雷达图像输入特征金字塔，经过卷积以及池化层处理初步提取得到输入图像的特征图表示，再利用卷积对特征图进行不同比例尺的下采样，从而得到多个不同特征尺度的特征表示，即输入图像的多尺度特征。3.根据权利要求1所述的一种基于特征注意和自适应分类的雷达图像舰船识别方法，其特征在...

【专利技术属性】
技术研发人员：裴季方，黄钰林，王陈炜，张寅，罗思懿，杨建宇，杨海光，张永超，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：