一种增强型多变换特征提取匹配网络模型制造技术

本发明专利技术公开了一种增强型多变换特征提取匹配网络模型，包括：EMTDL

【技术实现步骤摘要】
一种增强型多变换特征提取匹配网络模型


[0001]本专利技术涉及成像雷达技术，具体涉及一种增强型多变换特征提取匹配网络模型。

技术介绍

[0002]目前使用最广的成像雷达系统就是合成孔径雷达(Synthetic Aperture Radar：
[0003]SAR)，SAR几乎成为了雷达的代名词。这是一种主动式的对地观测系统，可安装在飞机、卫星、宇宙飞船等飞行平台上，全天时、全天候对地实施观测、并具有一定的地表穿透能力，可以利用在闭塞天气中传播的雷达信号提供高分辨率图像。因此合成孔径雷达(SAR)已经广泛应用于战场侦察、地形测绘、地质勘探和海洋观测。值得让人注意的是，SAR自动目标识别(ATR)作为一种理解SAR图像的重要手段，因其军事意义而被大量研究。
[0004]SAR图像目标识别深度学习处于起步阶段，可用于研究的SAR图像数据集屈指可数。SAR图像用灰度表示目标的散射强度，受相干斑噪声等成像机制的影响,目标、阴影与背景之间的过渡区域很难分离。对其进行手工标注具有很大的主观性和随机性,所以获取大量带标注的SAR图像数据需要耗费本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种增强型多变换特征提取匹配网络模型，其特征在于，包括：EMTDL
‑
MatchNet重构查询集特征模块；EMTDL
‑
MatchNet特征学习模块；EMTDL
‑
MatchNet自适应匹配器。2.根据权利要求1所述的增强型多变换特征提取匹配网络模型，其特征在于，所述EMTDL
‑
MatchNet特征学习模块包括：通过公式表示通道注意力和空间注意力处理过程；通道注意力机制公式：F
ch
(Z)＝S
ch
空间注意力机制公式：S
sp
＝Conv1×1(Upsampling(Conv3×3(Avgpool
sp
(Z))))F
sp
(Z)＝S
sp
将使用两种不同的融合方案将空间注意力机制和通道注意力机制融合起来；在特征提取模块浅层，使用注意力融合方案1，帮助学习浅层特征；在特征提取模块深层，使用注意力机制方案2，帮助学习深层语义特征；注意力融合方案1：给定一个原始特征图Z
ear
∈R
c
×
h
×
w
作为输入，在通过注意力机制处理后，可以获得：进行信息增强，可以获得注意力融合方案2：主要分为两步；第一步：将原始特征图Z
late
进行两次STN转变处理，即分别通过STN1和STN2处理，得到和第二步：对由第一部分得到的两个结果和然后分别通过两个注意力组合模块Att2和Att3得到和具体模块用公式描述：具体模块用公式描述：具体模块用公式描述：具体模块用公式描述：最后，将两个向量和进行维度上连接输入最后一层进行降通道处理，以减少模型的参数量；将注意力融合方案1加入第三卷积层和第四卷积层之间，将注意力融合方案2加入第五卷积层和第六卷积层之间；
将特征学习模块分为三个ResNet模块；第一段ResNet1包括两个卷积层，第二段ResNet2包括两个...

【专利技术属性】
技术研发人员：魏倩茹，黄佳讯，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：