【技术实现步骤摘要】
SAR舰船识别跨模态域迁移学习、识别方法及系统
[0001]一种SAR舰船识别跨模态域迁移学习、识别方法及系统,用于图像转换和SAR舰船目标识别,属于人工智能与合成孔径雷达目标识别
技术介绍
[0002]合成孔径雷达(SAR)和光学传感器是目前使用最广泛的地球观测传感器,二者具有不同的成像能力。光学图像因数据获取途径简单、图像内容易于理解和标记,具有大样本数据量特点。SAR作为一种主动式微波遥感技术,不受气候和自然环境因素影响,具有全天时、全天候穿透云层探测的能力以及长时间稳定连续地获取地表信息的优势,因此SAR在各个领域具有广泛应用,SAR舰船自动目标识别(Automatic Target Recognition,ATR)技术作为SAR图像解译的重要分支,也因在海洋监测、海洋运输管理等方面的重要价值而受到了广泛关注。目前随着深度学习的发展,基于卷积神经网络(CNN)的方法,如VGG16、ResNet系列、DenseNet、MobileNet、InceptionNet、EfficientNet等网络,基于CNN强大的特征表达能力,通过数据驱动的方式在舰船ATR领域取得了显著成功。
[0003]尽管基于卷积神经网络的SAR舰船目标识别方法已经取得了显著的成效,但是他们任然需要大量的标记数据来训练分类器。SAR传感器提供的视觉信息不如光学传感器丰富,图像中存在大量的斑点噪声,人类视觉不能适应微波散射现象,难以理解复杂的散射特性,使得解译SAR图像获得标记样本需要依靠专家知识,并且大规模SAR舰船数据集的 ...
【技术保护点】
【技术特征摘要】
1.一种SAR舰船识别跨模态域迁移学习方法,其特征在于,包括如下步骤:S1、对源域光学数据集中的光学舰船图像和目标域SAR数据集中的SAR舰船图像进行预处理;S2、基于CycleGAN的特征编码器和特征解码器构建连接特征编码器和特征解码器的密集连接特征转换器和轻量化注意力机制模块,得到轻量化生成器网络模型,基于一个进行OPT2SAR任务的轻量化生成器网络模型、一个进行SAR2OPT任务的轻量化生成器网络模型和鉴别器得到ADCG网络;S3、将预处理得到的源域光学数据集中的光学舰船图像和目标域SAR数据集中的SAR舰船图像同时输入ADCG网络对其进行训练,并利用训练好的ADCG网络生成待转换的光学舰船图像的伪SAR图像。2.根据权利要求1所述的一种SAR舰船识别跨模态域迁移学习方法,其特征在于,所述步骤S1的具体步骤为:S1.1、利用线性插值方法将获取的源域光学数据集中的各光学舰船图像统一到256*256大小;S1.2、基于源域光学数据集中的各光学舰船图像的大小,先对获取的目标域SAR数据集中的各SAR舰船图像中心裁剪为128*128大小,再利用线性插值方法将裁剪后的图像放大到256*256大小。3.根据权利要求2所述的一种SAR舰船识别跨模态域迁移学习方法,其特征在于:所述密集连接特征转换器包括依次相连接的三个DenseBlock块,第一个DenseBlock块包括依次相连接的BasicBlock块与两个BottleneckBlock块,BasicBlock块包括一个Conv层,BottleneckBlock块包括依次相连接的1x1Conv层和3x3Conv层,以及将1x1Conv层卷积前和3x3Conv层卷积后的特征通道进行拼接的Concat操作,其中,DenseBlock块表示密集块,BasicBlock块表示基础块,BottleneckBlock块表示瓶颈块;所述第二个DenseBlock块和第三个DenseBlock块分别包括依次相连接的三个BottleneckBlock块。4.根据权利要求3所述的一种SAR舰船识别跨模态域迁移学习方法,其特征在于,所述轻量化注意力机制模块包括CAM子模块和SAM子模块,CAM子模块的输入为密集连接特征转换器的输出,SAM子模块的输出与其输入逐元素相乘的结果为特征解码器的输入,SAM子模块的输入为CAM子模块的输出与其输入逐元素相乘的结果,CAM子模块表示通道注意模块,SAM子模块表示空间注意模块;CAM子模块包括平均池化层和最大池化层,分别与平均池化层和最大池化层相连接的具有多个隐藏层的多层感知器,对多层感知器输出的结果使用逐元素求和来合并输出特征向量,即得到通道注意力图;SAM子模块包括依次相连接的最大池化层和平均池化层,对平均池化层的输出进行拼接的卷积层,和对卷积层输出的结果进行编码,即得到空间注意力图。5.根据权利要求4所述的一种SAR舰船识别跨模态域迁移学习方法,其特征在于,所述ADCG网络中轻量化生成器网络模型和鉴别器的博弈形式的表达为:
其中,G代表轻量化生成器网络模型,D代表判别器,即鉴别器,E代表期望,v~P
r
(v)代表真实数据v及其数据分布P
r
(v),z~P
g
(z)代表伪数据z及其特定概率分布P
g
(z),min
G
max
D
V(D,G)表示轻量化生成器网络模型和鉴别器之间的最大最小博弈;ADCG网络的总损失函数表达为:L
OPT2SAR
‑
GAN
=αL
GAN
+βL
cycle
+γL
identity
其中,α、β和γ分别表示L
GAN
、L
cycle
和L
identity
的权重;对抗性博弈形成的OPT2SAR过程描述如下:其中,G
O
→
S
表示OPT2SAR任务对抗性博弈形成过程中的轻量化生成器网络模型,OPT2SAR任务表示将光学舰船图像转换为伪SAR图像,D
SAR
表示真实SAR图像和伪SAR图像的鉴别器,{x
SAR
~X
SAR
}、{X
opt
~X
opt
}分别表示预处理后得到的源域光学数据集和目标域SAR数据集,x
SAR
和x
opt
表示分别来自源域光学数据集和目标域SAR数据集中的光学舰船图像和SAR舰船图像;周期一致性损失函数定义为:其中,G
S
→
O
(G
O
→
S
(x
opt
))≈x
opt
和G
O
→
S
(G
S
→
O
(x
SAR
))≈x
SAR
,G
S
→
O
表示SAR2OPT任务对抗性博弈形成过程中的轻量化生成器网络模型,SAR2OPT任务表示将SAR舰船图像转换为伪光学图像;身份损失函数为:6.一种SAR舰船识别跨模态域迁移识别方法,其特征在于:根据权利要求1
‑
5任意一项得到的伪SAR图像扩充目标域SAR数据集,并基于扩充后的目标域SAR数据集训练VGG16、ResNet50和MobileNet三个分类网络进行待识别SAR舰船图像中的SAR舰船目标识别。7...
【专利技术属性】
技术研发人员:高贵,代钰曦,刘佳,姚力波,段定峰,刘涛,张晰,李恒超,郁文贤,
申请(专利权)人:航天东方红卫星有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。