基于多种注意力权重融合特征的SAR图像建筑区分类方法技术

本发明专利技术公开了基于多种注意力权重融合特征的SAR图像建筑区分类方法包括：获取目标区域待识别建筑区的SAR图像，通过多尺度特征提取模块提取出多尺度特征图；将多尺度特征图作为注意力重构权重模块的输入，获得带有重构权重的特征图；将多尺度特征作为注意力通道

【技术实现步骤摘要】
基于多种注意力权重融合特征的SAR图像建筑区分类方法


[0001]本专利技术涉及图像处理
，更具体的说是涉及一种基于多种注意力权重融合特征的SAR（合成孔径雷达）图像建筑区分类方法，通过引入多种注意力权重，实现对稀疏建筑区、中等密集建筑区和密集建筑区的准确分类。

技术介绍

[0002]合成孔径雷达（Synthetic Aperture Radar，SAR）是一种能够在复杂天气下获取地面信息的遥感技术。SAR系统通过发送一系列脉冲信号并接收其反射信号，然后根据接收到的回波信号生成高分辨率的雷达图像。SAR图像在建筑区分类等领域具有重要的应用价值，然而由于SAR图像的特殊性质，如复杂的散射机制、噪声干扰等，导致建筑区分类面临一些挑战。
[0003]目前，针对SAR图像建筑区分类的研究主要集中在特征提取和分类器设计两个方面。传统的特征提取算法多采用单一特征，如灰度共生矩阵（GLCM）、小波变换等，不能很好对目标特性进行精准描述。此外，传统的识别方法也多基于专家经验进行识别，逐渐跟不上日益增长的数据需求，难以提取目标的深层特征。这些方法往往无法充分挖掘SAR图像中的丰富信息，限制了分类的准确性和泛化能力。
[0004]近年来，深度学习技术在SAR图像建筑区分类中取得了显著的进展。卷积神经网络（Convolutional Neural Networks，CNN）被广泛应用于图像分类任务，并在自动特征学习方面取得了优秀的性能。然而，传统的CNN结构在处理SAR图像时存在一些不足之处，如对复杂散射机制的建模能力有限、对不同尺度特征的处理不充分等。
[0005]因此，针对SAR图像建筑区分类的
技术介绍
中存在以下问题：（1）缺乏针对SAR图像特点的专门设计的特征提取算法，导致特征表示能力有限。（2）对于不同尺度下的特征处理不充分，限制了建筑区分类的精度。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种基于多种注意力权重融合特征的SAR图像建筑区分类方法，旨在克服传统方法的局限性，提高建筑区分类的准确性和泛化能力。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]本专利技术提供一种基于多种注意力权重融合特征的SAR图像建筑区分类方法，包括以下步骤：
[0009]S1、获取目标区域待识别建筑区的SAR图像，通过多尺度特征提取模块提取出多尺度特征图；
[0010]S2、将所述多尺度特征图作为注意力重构权重模块的输入，获得带有重构权重的特征图；
[0011]S3、将所述多尺度特征作为注意力通道
‑
空间权重模块的输入，获得带有通道
‑
空间权重的特征图；
[0012]S4、将所述带有重构权重的特征图和带有通道
‑
空间权重的特征图，以及对所述SAR图像进行下采样的特征图进行融合，获得多种注意力权重的融合特征图；
[0013]S5、将所述融合特征图输入训练后的判别器网络模块，输出所述目标区域内的建筑区分类结果。
[0014]在一个实施例中，所述步骤S1包括：
[0015]S101、获取目标区域待识别建筑区的SAR图像，进行预处理；
[0016]S102、将预处理后的SAR图像特征，分别送入由不同大小卷积核构成的两个分支中，进行并行多尺度感受野计算；
[0017]S103、将两个分支计算的特征结果，在通道层面进行堆叠，提取出多尺度特征图。
[0018]在一个实施例中，所述步骤S101包括：获取目标区域待识别建筑区的SAR图像，使用一个带有修正线性单元和一个卷积核进行特征预处理。
[0019]在一个实施例中，所述步骤S2包括：
[0020]S201、将所述多尺度特征图F1作为输入，采用双线性插值对所述多尺度特征F1进行上采样获得采样特征图U
i
，将所述多尺度特征图F1重构为与所述SAR图像相同维度的空间；
[0021]S202、采用距离度量准则计算采样特征图U
i
和所述多尺度特征图F1的相似度；
[0022]S203、对相似度距离进行归一化处理，得到重构权重W
i
；
[0023]S204、将所述重构权重W
i
乘上所述多尺度特征图F1，获得带有重构权重的特征图。
[0024]在一个实施例中，所述步骤S3包括：
[0025]S301、将所述多尺度特征图F1作为输入，通过权重计算，获得注意力通道
‑
空间权重M
i
；
[0026]S302、将所述注意力通道
‑
空间权重M
i
,乘上所述多尺度特征图F1，获得带有通道
‑
空间权重的特征图。
[0027]在一个实施例中，所述步骤S301包括：
[0028]将所述多尺度特征图F1作为输入，权重计算表示如下：
[0029][0030]其中，为获得的注意力通道
‑
空间权重；的计算过程共包括二个串联组件，分别为带有通道注意力机制的权值计算和带有空间注意力机制的权值计算；二个串联组件的计算过程可分别形式化地表示为：
[0031][0032][0033]其中， AvgPool和MaxPool分别表示平均池化和最大操作池化，MLP表示全连接层，表示为尺寸为7
×
7的卷积，表示sigmoid函数；和分别为计算的通道权值和空间权值；
[0034]将两个注意力权重相乘得到最终的通道
‑
空间权重系数，计算流程表示为：
[0035][0036]其中，为计算的注意力通道
‑
空间权重。
[0037]在一个实施例中，所述步骤S4具体包括：
[0038]对原始输入的所述SAR图像O
i
进行两次下采样，获得低分率特征图，表示为：
[0039][0040]其中，Downsampling为下采样方法，采用大小为2
×
2的平均池化；为计算的下采样特征图；
[0041]将计算的下采样特征图结合所述带有重构权重的特征图和带有通道
‑
空间权重的特征图，使用直接级联融合，表示如下：
[0042][0043]为获得的带有多种注意力权重的融合特征图。
[0044]在一个实施例中，所述步骤S5中的所述判别器网络模块的输出单元由一个卷积和一个Sigmoid函数组成，表示为：
[0045][0046]其中，P表示判别识别器网络模块对当前输入图像融合特征识别为具体建筑区图像的概率，为输入原始图像的融合特征图，G表示SAR图像判别器网络。
[0047]在一个实施例中，所述步骤S5中的所述判别器网络模块训练时采用交叉熵损失函数，表示为：
[0048][0049]其中，CE表示标准交叉熵计算操作；L则表示用来训练网络的整体损失函数；G表示判别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多种注意力权重融合特征的SAR图像建筑区分类方法，其特征在于，包括以下步骤：S1、获取目标区域待识别建筑区的SAR图像，通过多尺度特征提取模块提取出多尺度特征图；S2、将所述多尺度特征图作为注意力重构权重模块的输入，获得带有重构权重的特征图；S3、将所述多尺度特征作为注意力通道
‑
空间权重模块的输入，获得带有通道
‑
空间权重的特征图；S4、将所述带有重构权重的特征图和带有通道
‑
空间权重的特征图，以及对所述SAR图像进行下采样的特征图进行融合，获得多种注意力权重的融合特征图；S5、将所述融合特征图输入训练后的判别器网络模块，输出所述目标区域内的建筑区分类结果。2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：S101、获取目标区域待识别建筑区的SAR图像，进行预处理；S102、将预处理后的SAR图像特征，分别送入由不同大小卷积核构成的两个分支中，进行并行多尺度感受野计算；S103、将两个分支计算的特征结果，在通道层面进行堆叠，提取出多尺度特征图。3.根据权利要求2所述的方法，其特征在于，所述步骤S101包括：获取目标区域待识别建筑区的SAR图像，使用一个带有修正线性单元和一个卷积核进行特征预处理。4.根据权利要求2所述的方法，其特征在于，所述步骤S2包括：S201、将所述多尺度特征图F1作为输入，采用双线性插值对所述多尺度特征F1进行上采样获得采样特征图U
i
，将所述多尺度特征图F1重构为与所述SAR图像相同维度的空间；S202、采用距离度量准则计算采样特征图U
i
和所述多尺度特征图F1的相似度；S203、对相似度距离进行归一化处理，得到重构权重W
i
；S204、将所述重构权重W
i
乘上所述多尺度特征图F1，获得带有重构权重的特征图。5.根据权利要求2所述的方法，其特征在于，所述步骤S3包括：S301、将所述多尺度特征图F1作为输入，通过权重计算，获得注意力通道
‑
空间权重M
i
；S302...

【专利技术属性】
技术研发人员：李冠群，
申请(专利权)人：耕宇牧星北京空间科技有限公司，
类型：发明
国别省市：