一种基于混合注意力机制的小样本SAR目标识别方法技术

本发明专利技术公开了一种基于混合注意力机制的小样本SAR目标识别方法，包括：利用多尺度特征融合策略，将多层特征进行融合；将混合注意力机制引入到稠密连接网络中；在该网络中，主干提取网络总共包含3个DenseBlock，在第一个DenseBlock以及过渡层后加入CBAM注意力模块，在第二个DenseBlock以及过渡层后加入ECA注意力模块；每个DenseBlock包含4个Inception单元。本发明专利技术通过在稠密连接网络的深层网络中引入卷积块注意力模块以及高效通道注意力模块增强高层特征图语义信息，提高算法获取目标物体的细节与位置信息的能力，提高小样本目标识别的准确度。别的准确度。别的准确度。

【技术实现步骤摘要】
一种基于混合注意力机制的小样本SAR目标识别方法


[0001]本专利技术涉及合成孔径雷达技术，具体涉及一种基于混合注意力机制的小样本SAR目标识别方法。

技术介绍

[0002]合成孔径雷达具有全天时全天候工作的优点，已成为重要的地面观测设备。SAR图像识别在目标识别中有着广泛的应用，在军事和国土安全中发挥着重要的作用。随着卷积神经网络的发展，基于卷积神经网络的SAR目标识别方法取得了显著的效果。然而，大多数现有的方法需要大量的训练数据，准备这样高质量的标记SAR数据是劳动密集型和不切实际的。因此，基于少量标记数据的SAR目标识别研究一直是个具有挑战性而又活跃的课题。
[0003]有人在2019年提岀了一种结合生成对抗网络和CNN的半监督识别方法，用GAN生成未标记图像，并将其与原始标记图像一起作为CNN的输入，从而在有限的训练样本下实现有效的训练和识别。该方法具有提高神经网络系统精度和鲁棒性的能力，同时在SAR图像去噪和SAR图像超分辨率重建等方面具有很好的应用前景。另外，同一目标在不同方位角下所呈现的SAR图像会有很大差异，只应用目标的单一方位角观测图像并没有充分利用到合成孔径雷达图像的丰富信息。近来，研究人员研究了多视角图像的识别问题并得岀结论，多视角图像序列可以提供比单个图像更丰富的分类信息。2018年，有人提岀了一种基于多特征融合合成孔径雷达目标识别方法，将强度特征和梯度幅度特征这两个特征信息进行融合之后输入分类网络并经过实验验证了该方法的有效性。有人提岀了一种利用多方位角SAR图像进行目标识别的思路，将3个方位角的SAR图像数据合成一副伪彩色图像参与处理，有效降低了目标在不同方位角的差异性，提高了识别效果。有人在此基础上，改进了多视角SAR数据的生成方式，在不需要许多原始合成孔径雷达图像的情况下可以保证网络训练的大量输入，采用多输入信号并列的拓扑结构，分层学习，多层融合，实现了优越的识别性能，降低了对原始SAR图像数量的需求。
[0004]小样本SAR图像识别中特征提取网络提取的有效特征不足，容易出现过拟合问题，导致识别效果不理想以及不同区域及通道的特征权重相同无法提取到有效特征，代表对象的空间响应效果不佳。

技术实现思路

[0005]本专利技术的主要目的在于提供一种基于混合注意力机制的小样本SAR目标识别方法，
[0006]针对特征提取网络在面临小样本问题时所提取的特征不足，导致的过拟合问题，通过在稠密连接网络的深层网络中引入卷积块注意力模块以及高效通道注意力模块增强高层特征图语义信息，提高算法获取目标物体的细节与位置信息的能力，提高小样本目标识别的准确度。
[0007]该方法可以通过网络学习捕获输入的特征图通道局部空间信息，共同编码空间与
通道的特征，并生成新的特征图，使网络的性能得到提升。首先，应用卷积神经网络(CNN)模型从原始SAR图像中提取抽象的多层特征图。然后，利用一种空间加权和通道加权的混合注意力机制，增强了代表对象的空间响应效果，并充分利用了不常出现的特征，这样就可以提取出更有鉴别性的特征。最后，聚合的特征通过一个全连接层进行输出。
[0008]本专利技术采用的技术方案是：一种基于混合注意力机制的小样本SAR目标识别方法，包括：
[0009]利用多尺度特征融合策略，将多层特征进行融合；
[0010]将混合注意力机制引入到稠密连接网络中；
[0011]在该网络中，主干提取网络总共包含3个DenseBlock，在第一个DenseBlock以及过渡层后加入CBAM注意力模块，在第二个DenseBlock以及过渡层后加入ECA注意力模块；每个DenseBlock包含4个Inception单元；
[0012]网络中的注意力机制主要由两部分组成：CBAM注意力模块以及ECA注意力模块；
[0013]CBAM注意力模块用于通过权重系数来衡量不同特征的重要程度，CBAM通过对不同特征信息间关系的度量来获得权重系数，以此增强关键信息，忽略不相干信息；
[0014]ECA注意力模块用于提升特征的辨别能力，ECA将特征图中更具判别性的通道赋予更大的权重。
[0015]进一步地，所述CBAM注意力模块包括通道注意力模块CAM和空间注意力模块SAM；通道注意力模块CAM是利用通道间的相关关系生成通道的注意力特征；空间注意力模块SAM是通过特征之间的空间关系而产生的。
[0016]更进一步地，所述CBAM注意力模块用于实现图片在通道域和空间域的关键信息提取，得到对应的通道特征图和空间特征图；
[0017]给定中间特征映射F∈R
C
×
H
×
W
作为输入，CBAM依次推导出一维通道注意力映射Mc∈RC
×1×
1和二维空间注意映射Ms∈R1×
H
×
W
；整个注意过程总结为公式(1)和公式(2):
[0018][0019][0020]其中表示点乘，在点乘时，通道的注意力值沿空间方向传播，而空间上的注意力则沿通道方向扩散；F
″
为最终的输出；
[0021]通道注意力子模块采用了最大的下采样输出和平均下采样输出；
[0022]空间注意力子模块使用相似的两种输出，在通道的轴线上聚集，然后把这些信息传递到卷积层中；
[0023]首先，采用平均池化和最大池化运算对特征映射的空间信息进行聚合，从而产生两个不同的空间环境描述符，它们分别代表了平均和最大池化的特性；两个描述符随后被传送到一个共同的网络上，产生通道注意力图M
c
∈R
C
×1×1；
[0024]在计算空间注意力时，先将平均下采样和极大下采样运算应用于通道轴线，然后将其结合，产生有效的特征描述；
[0025]在通道轴线上使用下采样操作，使信息区得到高亮；在连接的特征描述符中，利用卷积层产生了对重点和抑制位置进行编码的空间注意力图Ms(F)∈R
H
×
W
；
[0026]利用两次下采样运算将特征图的通道信息进行了聚合，得到两个二维图像，它们
分别代表了通道上的平均下采样特性和最大下采样特性；
[0027]然后用一个标准的卷积层将它们结合起来，形成一个二维的注意力特性曲线；计算空间注意力的方法如公式(3)所示:
[0028][0029]式中，σ为Sigmoid函数，f 7
×
7为滤波器尺寸为7
×
7的卷积运算。
[0030]更进一步地，所述ECA注意力模块通过全局平均池化获得的聚合特征，ECA通过执行大小为k的快速1D卷积来生成通道权重，其中k通过通道维度C的映射自适应地确定；
[0031]ECAt避免了降维，有效捕捉了跨通道交互；
[0032]在不降维的全局通道平均池化后，ECA通过考虑每个通道及其k个相邻通道来捕获局部跨通道交互，ECA可以通过大小为k的快速1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合注意力机制的小样本SAR目标识别方法，其特征在于，包括：利用多尺度特征融合策略，将多层特征进行融合；将混合注意力机制引入到稠密连接网络中；在该网络中，主干提取网络总共包含3个DenseBlock，在第一个DenseBlock以及过渡层后加入CBAM注意力模块，在第二个DenseBlock以及过渡层后加入ECA注意力模块；每个DenseBlock包含4个Inception单元；网络中的注意力机制主要由两部分组成：CBAM注意力模块以及ECA注意力模块；CBAM注意力模块用于通过权重系数来衡量不同特征的重要程度，CBAM通过对不同特征信息间关系的度量来获得权重系数，以此增强关键信息，忽略不相干信息；ECA注意力模块用于提升特征的辨别能力，ECA将特征图中更具判别性的通道赋予更大的权重。2.根据权利要求1所述的基于混合注意力机制的小样本SAR目标识别方法，其特征在于，所述CBAM注意力模块包括通道注意力模块CAM和空间注意力模块SAM；通道注意力模块CAM是利用通道间的相关关系生成通道的注意力特征；空间注意力模块SAM是通过特征之间的空间关系而产生的。3.根据权利要求1所述的基于混合注意力机制的小样本SAR目标识别方法，其特征在于，所述CBAM注意力模块用于实现图片在通道域和空间域的关键信息提取，得到对应的通道特征图和空间特征图；给定中间特征映射F∈R
C
×
H
×
W
作为输入，CBAM依次推导出一维通道注意力映射Mc∈RC
×1×
1和二维空间注意映射Ms∈R1×
H
×
W
；整个注意过程总结为公式(1)和公式(2):整个注意过程总结为公式(1)和公式(2):其中表示点乘，在点乘时，通道的注意力值沿空间方向传播，而空间上的注意力则沿通道方向扩散；F
″
为最终的输出；通道注意力子模块采用了最大的下采样输出和平均下采样输出；空间注意力子模块使用相似的两种输出，在通道的轴线上聚集，然后把这些信息传递到卷积层中；首先，采用平均池化和最大池化运算对特征映射的空间信息进行聚合，从而产生两个不同的空间环境描述符，它们分别代表了平均和最大池化的特性；两个描述符随后被传送到一个共同的网络上，...

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