System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术隶属于图像识别中的光学遥感图像数据处理领域,涉及光学遥感图像舰船目标细粒度可信识别模型的生成和应用,适用于预警探测系统和情报分析系统。
技术介绍
1、卫星作为早期大规模预警探测的重要手段在海洋监视领域得到广泛应用。随着遥感成像技术的大力发展,高分辨率的光学遥感图像能够帮助情报人员从大范围的海洋区域中发现目标并判别目标身份。在光学遥感图像舰船目标识别领域,大部分识别方法只能从光学遥感图像中判断舰船目标的有无,无法确定舰船目标具体的类别,难以实现舰船目标的细粒度识别。舰船目标细粒度识别任务需要辨别光学遥感图像中不同舰船目标的细微之处,根据图像中细微差异实现舰船目标类型的判断。光学遥感图像内容复杂且所含信息丰富,不同光学遥感图像因为光照变换、云雾遮挡、任意视角等导致不同类别的舰船目标图像相比于相同类别的舰船目标图像相似度更高,使得舰船目标细粒度识别任务更加困难。鉴于深度学习强大的信息提取能力和特征表示能力,基于深度学习的识别方法能够充分提取图像中的有效信息,对不同差异性特征进行统一表示。现有的基于深度学习的识别方法从整张图像中提取特征,无法关注到舰船目标中的局部有效信息,识别效率低、精度差。同时上述基于深度学习的识别方法是一种黑盒模型,只能输出识别结果,无法解析模型的识别过程并提供可解释的识别依据,模型可信度差。综上可见,对于光学遥感图像舰船目标细粒度识别问题,亟需精度更高、模型可解释性更强的目标识别方法。
技术实现思路
1、本专利技术所述的一种遥感图像舰船目标细粒度可信识别方
2、本专利技术的一种光学遥感图像舰船目标细粒度可信识别方法,其特殊之处在于,包括以下步骤:
3、步骤1,对光学遥感图像统一剪裁成尺寸为224×224的图像切片输入到网络中,采用5层卷积神经网络对输入的图像进行特征提取,输出第4层卷积层的特征图。第4层卷积层输出的特征图输入到因果多头注意力模块中,利用分类器计算出观察到的预测结果;
4、步骤2,随机生成注意力图作为反事实注意图,利用步骤1中的方式对计算出反事实预测结果,计算观察到的预测结果与反事实结果之间的差异得出网络所关注的区域对最终预测的实际影响;
5、步骤3,对第五层卷积层中的卷积核进行分组,计算不同卷积核输出特征图的相似度,利用卷积核损失让同组卷积核输出的特征图表达相似的语义信息,不同组卷积核输出的特征图表达不同的语义信息;
6、步骤4,将第五层卷积核的输出通过全连接层计算后采用分类损失函数进行分类,将注意力损失、卷积核损失和分类损失按一定比例加权后求出可解释的注意力网络的总损失函数;
7、步骤5,将光学遥感训练图像输入到步骤1、步骤2和步骤3构建的网络中并利用步骤4构建的总损失函数进行训练,模型收敛后保存最优模型参数。将光学遥感测试图像输入到步骤1、步骤2和步骤3构建网络中并加载最优模型参数,输出舰船目标识别结果和可解释热力图。
8、所述步骤1具体包括以下子步骤:
9、步骤1.1,利用5层卷积神经网络提取光学遥感图像特征,输出的第4层卷积层的特征图表示为其中w、h和c分别表示特征图的权重、高度和通道数;
10、步骤1.2,利用卷积函数得到m个多头注意力图a=ψ(fl-1),其中ψ表示卷积核大小为1×1的卷积函数,m表示注意图的数量。am∈a表示网络所关注的一个判别性图像区域;
11、步骤1.3,将特征图fl-1和注意力图a按元素相乘来生成区域特征图。然后采用全局平均池化产生区域特征表示p={p1,p2,...,pm},并计算局部特征flocal,
12、
13、其中表示平均池化函数,⊙表示向量元素相乘;
14、步骤1.4,设计了一个由全卷积层和批量归一化层组成的分类器。我们采用交叉熵作为损失函数lself计算观察到的预测结果,
15、
16、其中γ表示分类函数;ya表示分类结果输出;
17、所述步骤2具体包括以下子步骤:
18、步骤2.1,采用错误注意图作为反事实注意图,表示网络所关注的一个反事实判别性图像区域。通过随机生成注意力图来获取反事实注意力图。反事实注意力图中每个位置集合的向量遵循零均值的均匀分布;
19、步骤2.2,计算反事实局部特征
20、
21、其中表示反事实特征表示;
22、步骤2.3,经过反事实运算后,计算反事实中的预测结果,
23、
24、其中表示反事实分类结果输出;
25、步骤2.4,根据反事实操作的因果图,通过计算观察到的预测ya(fl-1)和它的反事实结果之间的差异,求出网络所关注的区域对最终预测的实际影响,
26、
27、其中ytrue表示注意力图对预测标签的真实影响;
28、步骤2.5,利用注意力损失函数lossatt引导网络进行注意力学习,
29、lossatt=lce(ytrue,y)+lself
30、其中y表示分类标签,lce表示交叉熵损失。
31、所述步骤3具体包括以下子步骤:
32、步骤3.1,将第五层卷积层的卷积核ω={1,2,…,d}划分为k组g={g1,g2,...,gk},其中g1∪g2∪...∪gk=g,
33、步骤3.2,将注意力图作为第五层卷积层输入得到特征图fl。计算卷积核输出特征图的相似度:
34、
35、其中sij表示相似度分数,和表示第i个卷积核和第j个卷积核输出的特征图。c代表函数的相似性度量方法。ρij表示皮尔逊相关系数,cov表示协方差矩阵,σi和σj表示第i个卷积核和第j个卷积核输出特征图的标准差;
36、步骤3.3,利用卷积核损失函数让同组卷积核关注于相同的目标区域,不同组的卷积核激活目标的不同区域,计算卷积核损失函数lossfilter,
37、
38、其中和分别表示组内卷积核相似度和组间卷积核相似度,计算和
39、
40、
41、所述步骤4具体包括以下子步骤:
42、步骤4.1,将第五层卷积层输出的特征图fl通过全局平均池化进行聚合后将它们送到全连接层进行分类;
43、步骤4.2,采用交叉熵损失函数作为分类损失。计算网络的总损失函数losstotal,
44、
45、其epoch表示训练次数,lossatt表示注意力损失,lossfilter表示卷积核损失,lossclass表示分类损失,λ表示超参数,用于平衡卷积核损失和分类损失之间的权重;
46、所述步骤5具体包括以下子步骤:
47、步骤5.1,将光本文档来自技高网...
【技术保护点】
1.一种光学遥感图像舰船目标细粒度可信识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种光学遥感图像舰船目标细粒度可信识别方法,其特征在于所述步骤1具体包括以下子步骤:
3.如权利要求1所述的一种光学遥感图像舰船目标细粒度可信识别方法,其特征在于所述步骤2具体包括以下子步骤:
4.如权利要求1所述的一种光学遥感图像舰船目标细粒度可信识别方法,其特征在于所述步骤3具体包括以下子步骤:
5.如权利要求1所述的一种光学遥感图像舰船目标细粒度可信识别方法,其特征在于所述步骤4具体包括以下子步骤:
6.如权利要求1所述的一种光学遥感图像舰船目标细粒度可信识别方法,其特征在于所述步骤5具体包括以下子步骤:
【技术特征摘要】
1.一种光学遥感图像舰船目标细粒度可信识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种光学遥感图像舰船目标细粒度可信识别方法,其特征在于所述步骤1具体包括以下子步骤:
3.如权利要求1所述的一种光学遥感图像舰船目标细粒度可信识别方法,其特征在于所述步骤2具体包括以下子步骤:
4.如权利...
【专利技术属性】
技术研发人员:熊伟,熊振宇,崔亚奇,张杨,于洪波,董凯,崔旭涛,孙炜玮,王文合,秦阳,
申请(专利权)人:中国人民解放军海军航空大学,
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。