基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法技术

本发明专利技术公开了一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法，该方法首先构建舰船尾迹SAR图像数据集，然后搭建改进的残差轻量网络，在原始ResNet

【技术实现步骤摘要】
基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法


[0001]本专利技术涉及深度学习
，特别是一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法。

技术介绍

[0002]舰船尾迹SAR图像是通过SAR对海面舰船运动产生的微弱信号进行探测和成像得到的图像。它可以显示舰船在海面上留下的尾迹痕迹，通过分析这些痕迹，可以得到舰船的轨迹、速度和航向等信息。
[0003]针对于SAR图像尾迹包含的舰船参数的提取问题：董凯旋等人利用光学遥感图像的海面舰船尾迹特征以及相关参数，分别通过灰度累积法和Radon变换法两种不同的尾迹长度检测方法，对尾流长度进行了提取，并利用尾流长度特征简单估测了舰船航速与航向；贾惠基于局部Radon变换实现了线性尾迹的检测，然后从Kelvin尾迹的产生机理出发，提出了舰船参数的二维估算方法，在基于Markov过程滤除尾迹SAR图像海面背景噪声的情况下，结合此方法着重研究了舰船参数的估算问题；舒服展开基于开尔文尾迹波长的航速估算方法，基于开尔文尾迹拟合提取波长，并进一步估算航速信息；范文娜等人针对舰船尾迹的全极化SAR图像特征开展仿真，探究不同极化下SAR图像中舰船尾迹特征的差异，进而结合基于尾迹的舰船速度反演方法，利用不同极化下的舰船尾迹SAR图像开展舰船速度反演，分析海况、舰船运动速度和极化对反演结果的影响。
[0004]当前从尾迹中对于舰船航速、方向、舰船尺寸等参数的估算，多是基于尾迹形状与长度而进行，此类尾迹估算方法对尾迹长度的提取准确性有很高要求，适用局限性大。而采用卷积神经网络(CNN)的方法进行估计，对于不同的尾迹具有较强的自适应能力，且不需要对尾迹进行人工提取与拟合。
[0005]残差网络(ResNet)是一系列深度残差神经网络，其中基于不同层数，ResNet网络又包括ResNet
‑
18、ResNet
‑
50、ResNet
‑
101和ResNet
‑
152等模型，ResNet网络由多个基本块组成，每个基本块包含两个卷积层和一个跳跃连接，跳跃连接将输入直接添加到块的输出中，形成了残差连接，这种连接可以让梯度直接反向传播到更浅层的网络中，从而避免了梯度消失问题。由于ResNet
‑
18模型深度较浅，因此其在计算效率和准确率之间取得了一个较好的平衡，是深度学习领域中的一个经典模型。
[0006]但是，舰船长尾迹需要网络关注的特征尺寸较大，而ResNet网络相对感受野较小。ResNet网络的基本模块是由两个3x3的卷积层组成，这样的设计导致每个基本模块的感受野只有3x3，而且ResNet网络每一层的步幅都是1，没有采用池化层或步幅更大的卷积层等操作来增大感受野。虽然在此基础上，已有ResNeXt、DenseNet、EfficientNet等新网络模型的提出，但是它们仍然存在着一些问题，例如：参数数量多、可解释性较差、难以训练等问题。

技术实现思路

[0007]本专利技术的目的在于提供一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法。
[0008]实现专利技术目的的技术解决方案为：第一方面，本专利技术提供一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法，步骤如下：
[0009]第一步：对海面舰船尾迹模型进行建模，将海面舰船尾迹分解为湍流尾迹、开尔文尾迹以及海面模型，然后将三者分别建模后再经过线性叠加得到总的海面舰船尾迹模型。
[0010]第二步：设定仿真雷达参数，利用弹跳射线法(SBR)实现SAR图像快速成像，通过对不同的舰船参数进行仿真来实现构建数据集，并将数据集划分为一定比例的训练集与测试集，以SAR图像作为训练样本的输入，以舰船尾迹的仿真参数作为训练标签，对每张SAR图像标注对应的标签。
[0011]第三步：搭建改进的残差轻量网络，将训练样本与训练标签同时送入到网络中进行训练，然后将经过训练的网络用于检测未知SAR样本的舰船参数，同时对估计结果进行精度与参数量的评估。
[0012]第二方面，本专利技术提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法的步骤。
[0013]第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法的步骤。
[0014]与现有技术相比，本专利技术的有益效果为：
[0015](1)本专利技术提出改进的残差轻量网络，该网络使用非局部运算增强全局特征感知，增加了网络的感受野，并引入CBAM增强网络架构顶层特征学习能力，同时分解卷积核来减少网络参数量，这代表着该网络在不依靠堆叠深度的情况下，相比于主流网络具有一定的精度以及网络参数量优势；
[0016](2)本专利技术将舰船尾迹SAR图像作为训练样本来训练改进的残差轻量网络，经过训练的网络模型能够较好的估计未知的舰船尾迹SAR图像中包含的舰船参数。
附图说明
[0017]图1是舰船湍流尾迹示意图。
[0018]图2是舰船开尔文尾迹示意图。
[0019]图3是舰船湍流尾迹、开尔文尾迹与海面线性叠加的海面尾迹示意图。
[0020]图4是SBR快速成像模拟的海面尾迹SAR图像示意图。
[0021]图5是改进的残差轻量网络示意图。
具体实施方式
[0022]一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法，包括以下步骤：
[0023]步骤1：对海面舰船尾迹模型进行建模，将海面舰船尾迹分解为湍流尾迹、开尔文尾迹以及海面模型，然后将三者分别建模后再经过线性叠加得到总的海面舰船尾迹模型；
[0024]步骤2：设定仿真雷达参数，利用弹跳射线法实现SAR图像快速成像，通过对不同的
舰船参数进行仿真来实现构建数据集，并将数据集划分为一定比例的训练集与测试集，以SAR图像作为训练样本的输入，以舰船尾迹的仿真参数作为训练标签，对每张SAR图像标注对应的标签；
[0025]步骤3：搭建改进的残差轻量网络，将训练样本与训练标签同时送入到网络中进行训练，然后将经过训练的网络用于检测未知SAR样本的舰船参数，同时对估计结果进行精度与参数量的评估。
[0026]进一步的，步骤2中，所搭建的数据集以不同的舰船速度V
S
、舰船长度L、舰船宽度B以及舰船吃水深度D等舰船参数作为随机变量进行生成舰船尾迹SAR图像。
[0027]进一步的，步骤3中，搭建改进的残差轻量网络，步骤如下：
[0028]对于输入的尾迹SAR图像，首先选择通过7
×
7的大卷积核来提取底层的特征，该特征包括图像的轮廓、细节以及纹理等重要信息；在7
×
7卷积操作之后，引入非局部运算(Non
‑
local)来计算图像中特征不同位置的关联度，增强全局特征感知；然后通过3
×
...

【技术保护点】

【技术特征摘要】
1.一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法，其特征在于，包括以下步骤：第一步：对海面舰船尾迹模型进行建模，将海面舰船尾迹分解为湍流尾迹、开尔文尾迹以及海面模型，然后将三者分别建模后再经过线性叠加得到总的海面舰船尾迹模型；第二步：设定仿真雷达参数，利用弹跳射线法实现SAR图像快速成像，通过对不同的舰船参数进行仿真来实现构建数据集，并将数据集划分为一定比例的训练集与测试集，以SAR图像作为训练样本的输入，以舰船尾迹的仿真参数作为训练标签，对每张SAR图像标注对应的标签；第三步：搭建改进的残差轻量网络，将训练样本与训练标签同时送入到网络中进行训练，然后将经过训练的网络用于检测未知SAR样本的舰船参数，同时对估计结果进行精度与参数量的评估。2.根据权利要求1所述的方法，其特征在于，第二步中，所搭建的数据集以不同的舰船速度V
S
、舰船长度L、舰船宽度B以及舰船吃水深度D作为随机变量进行生成舰船尾迹SAR图像。3.根据权利要求1所述的方法，其特征在于，第三步中，搭建改进的残差轻量网络，步骤如下：对于输入的尾迹SAR图像，首先选择通过7
×
7的大卷积核来提取底层的特征，该特征包括图像的轮廓、细节以及纹理；在7
×
7卷积操作之后，引入非局部运算来计算图像中特征不同位置的关联度，增强全局特征感知；然后通过3
×
3的最大池化，消除非极大值；此后经过4个Conv_x层，每个包括四层3
×
3普通卷积层，输出通道数分别为64、128、256和512，将四层普通3
×
3卷积过程更新为3
×
3的逐通道卷积过程与1
×
1的逐点卷积过程；随后通过卷积块注意模块来增强网络顶层相关特征提取能力，此后经过平均池化输出512通道数的1
×
1尺寸特征；最后将其通过一个全连接层FC直接输出舰船参数。4.根据权利要求3所述的方法，其特征在于，所述非局部运算过程的具体方法如下：假设输入SAR图像特征任意位置处的索引序号为i，对特征进行处理，根据下列关系重新定义i处的特征其中，x
i
是i处的输入特征，x
j
表示j处的输入特征，y
i
是i处的输出特征，把一元函数g(
·
)当作一种线性转化，则有g(x
j
)＝W
g
x
j
其中，W
g
是待学习的权重矩阵，可以通过空间域的1
×
1卷积实现，函数f(
·
,
·
)是衡量i与j处的相似度函数，表示形式为归一化因子表示为5.根据权利要求1所述的方法，其特征在于，第一步中，建立舰船湍流尾迹模型，在舰船
行驶路...

【专利技术属性】
技术研发人员：丁大志，宗嘉霄，谷继红，丛洲，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：