【技术实现步骤摘要】
本专利技术属于计算机视觉领域，涉及图像分类方法，具体是一种舰船图像分类方法。
技术介绍
1、深度学习的图像分类技术在各个领域有着广泛的应用，舰船图像分类领域也不例外。传统的基于手工特征的方法，如sift、siltp等，是根据图像的纹理、轮廓等特征，利用人工设计的特征提取器进行分类。这些方法需要专业知识和复杂的参数调节，而且针对性强，泛化能力和鲁棒性较差。
2、相比之下，深度学习是基于数据驱动的方法，能够通过大量样本的学习，得到深层次的、数据集特定的特征表示。这些特征具有更高的表达能力和准确性，更强的鲁棒性和泛化能力，并且可以实现端到端的训练和预测。
3、近年来，基于深度学习的舰船图像分类方法模型，如googlenet、convnext等，已经取得了显著的效果。但是，这些模型只关注图像的局部特征，忽略了图像的全局特征，导致图像表征的建模不够完善，分类的准确率低。
技术实现思路
1、本专利技术提出了一种基于局部特征和全局特征的舰船图像分类方法，其目的是：综合考虑图像的局部特征和全局特征，完善图像表征，提高分类的准确率。
2、本专利技术技术方案如下：
3、一种基于局部特征和全局特征的舰船图像分类方法，包括以下步骤：
4、步骤1、构建分类网络模型，所述分类网络模型的输入为船舰图像；分类网络模型包括：
5、注意力分数模块，用于基于分类网络模型的输入图像得到注意力分数；
6、密集连接网络，用于获得分类网络模型的
7、局部特征表征提取分支，用于基于局部特征和注意力分数得到增强后的局部特征，然后基于增强后的局部特征提取得到局部特征的最终表征，并基于局部特征的最终表征得到第一分类结果；
8、卷积体积变换器，用于获得分类网络模型的输入图像的全局特征；
9、全局特征表征提取分支，用于基于全局特征和注意力分数得到增强后的全局特征，然后基于增强后的全局特征提取得到全局特征的最终表征，并基于全局特征的最终表征得到第二分类结果；
10、分类网络模型的输出为基于第一分类结果和第二分类结果得到的最终分类结果；
11、步骤2、对所述分类网络模型进行训练；
12、步骤3、将待分类的船舰图像输入到分类网络模型中，得到图像分类结果。
13、作为所述基于局部特征和全局特征的舰船图像分类方法的进一步改进，所述注意力分数模块中，通过以下方式获取注意力分数：
14、步骤a1、对于输入图像x∈rc×h×w分别进行两个独立的卷积操作，c为图像通道数，h为图像高度，w为图像宽度，以获得2个特征：fi1和fi2；
15、步骤a2、对特征fi1，fi2进行特征增强：
16、fi1′＝pconv(fi1)+gconv(fi1)；
17、fi2′＝concat(fi2，pconv(fi2))；
18、其中，pconv(·)代表点卷积，gconv(·)代表组卷积；concat(·)代表拼接操作；
19、步骤a3、对特征fi1′，fi2′执行池化操作，然后通过softmax激活获得注意力分数s：
20、s＝softmax(maxpool(fi1′))+softmax(maxpool(fi2′))；
21、其中，maxpool(·)代表最大池化操作，softmax(·)代表将一组任意实数转换为表示概率分布的实数的激活函数。
22、作为所述基于局部特征和全局特征的舰船图像分类方法的进一步改进，所述密集连接网络中，通过以下方式得到输入图像的局部特征：
23、步骤b1、将输入图像输入到3个依次连接的密集模块；每个密集模块中分别包含四层卷积层，每个卷积层的输入包含同一密集模块中该卷积层前面所有卷积层的输出；
24、对于任一密集模块，设其输入为fd0，则该密集模块中每一层卷积层的计算过程如下：
25、fd1＝relu(conv(fd0))；
26、fd2＝relu(conv(concat(fd0，fd1)))；
27、fd3＝relu(conv(concat(fd0，fd1，fd2)))；
28、fd4＝relu(conv(concat(fd0，fd1，fd2，fd3)))；
29、其中，conv(·)代表卷积操作，relu(·)代表斜坡激活函数，concat(·)代表拼接操作；fd1，fd2，fd3，fd4分别代表密集模块中第1、2、3、4层卷积层的输出；
30、步骤b2、将第3个密集模块的输出fd′通过sigmoid激活函数进行处理，得到输入图像的局部特征sigmoid(fd′)，其中sigmoid(·)代表s型激活函数。
31、作为所述基于局部特征和全局特征的舰船图像分类方法的进一步改进，局部特征表征提取分支中得到局部特征的最终表征的方式为：
32、步骤c1、将输入图像的局部特征sigmoid(fd′)与所得的注意力分数s进行矩阵相乘获得增强后的局部特征fd″：
33、fd″＝s×sigmoid(fd′)；
34、步骤c2、通过卷积计算和sigmoid激活函数得到局部特征的最终表征fd：
35、fd1″＝conv1×1(fd″)；
36、fd2″＝conv3×1(conv1×3(conv3×3(fd″)))；
37、fd3″＝conv5×1(conv1×5(conv5×3(fd″)))；
38、fd4″″＝conv7×1(conv1×7(conv7×7(fd″)))；
39、fd＝sigmoid(fd1″+fd2″+fd3″+fd4″)；
40、其中，convi×j(·)代表卷积核为i×j的卷积操作。
41、作为所述基于局部特征和全局特征的舰船图像分类方法的进一步改进，所述卷积体积变换器中，通过以下方式得到输入图像的全局特征：
42、步骤d1、对于输入图像x∈rc×h×w进行卷积操作和展平，c为图像通道数，h为图像高度，w为图像宽度，得到多头注意力计算的矩阵q、k、v：
43、q＝flatten(convq(x))；
44、k＝flatten(convk(x))；
45、v＝flatten(convv(x))；
46、其中，convq(·)，convk(·)，convv(·)代表三个卷积核参数不同的卷积操作，此处的卷积核参数为可学习的参数；flatten(·)代表展平操作；
47、步骤d2、将所得q，k，v输入到多头注意力模块中得到全局特征ft2，该过程如下：
48、先计算特征ft1：
49、ft1＝mhsa(ln(q，k，v))+flatten(x)；
50、其中，ln(本文档来自技高网...
【技术保护点】
1.一种基于局部特征和全局特征的舰船图像分类方法，其特征在于：包括以下步骤：
2.如权利要求1所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于，所述注意力分数模块中，通过以下方式获取注意力分数：
3.如权利要求1所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于，所述密集连接网络中，通过以下方式得到输入图像的局部特征：
4.如权利要求3所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于，局部特征表征提取分支中得到局部特征的最终表征的方式为：
5.如权利要求1所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于，所述卷积体积变换器中，通过以下方式得到输入图像的全局特征：
6.如权利要求5所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于，全局特征表征提取分支中得到全局特征的最终表征的方式为：
7.如权利要求6所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于：所述深度可分离卷积模块包含DW卷积以及2个卷积核为1×1的卷积，步骤E3的具体计算过程为：
8
9.如权利要求8所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于，最终分类结果的计算方式为：
10.如权利要求8所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于，步骤2的具体训练方式为：
...【技术特征摘要】
1.一种基于局部特征和全局特征的舰船图像分类方法，其特征在于：包括以下步骤：
2.如权利要求1所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于，所述注意力分数模块中，通过以下方式获取注意力分数：
3.如权利要求1所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于，所述密集连接网络中，通过以下方式得到输入图像的局部特征：
4.如权利要求3所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于，局部特征表征提取分支中得到局部特征的最终表征的方式为：
5.如权利要求1所述的基于局部特征和全局特征的舰船图像分类方法，其特征在于，所述卷积体积变换器中，通过以下方式得到输入图像的全局特...
【专利技术属性】
技术研发人员：徐从安，吴俊峰，孙炜玮，郝延彪，高龙，杨柱天，孙显，刘凯，
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。