[發明專利]基于注意力金字塔網絡的SAR圖像多尺度艦船檢測方法

有效

• 申請號: 201910362037.1
• 申請日: 2019-04-30
• 公開（公告）號: CN110084210B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 崔宗勇;李其;曹宗杰
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/46;G06V10/82;G06N3/04
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

1.基于注意力金字塔網絡的SAR圖像多尺度艦船檢測方法，其特征在于，采用密集注意力金字塔網絡DAPN，提取合成孔徑雷達SAR圖像的特征，實現對多尺度艦船的檢測，所述DAPN包括自底向上的前向網絡、橫向連接和自頂而下的卷積塊注意力機制CBAM密集連接網絡；具體方法為：

S1、通過共享卷積層獲得DAPN中自上而下的前向網絡分支中的各層特征圖{C₂、C₃、C₄、C₅}，提取不同尺度下未經模糊的全局特征；

S2、{C₂、C₃、C₄、C₅}分別經過1×1卷積來縮減通道向的維度，并與相同尺寸的密集連接CBAM的各層融合特征圖進行橫向連接，得到自頂而下的網絡分支{P₂、P₃、P₄、P₅}，具體包括：

S21、縮減{C₂、C₃、C₄、C₅}通道數：

利用256個1×1卷積核縮減自底向上前向網絡的特征圖{C₂、C₃、C₄、C₅}的通道數，將{C₂、C₃、C₄、C₅}分別對應的256、512、1024、2048通道數，均縮減為256個通道，得到縮減通道后的特征圖{C_R2、C_R3、C_R4、C_R5}，計算過程如下：

C_Ri＝Conv_1×1(C_i)，i＝2,3,4,5

S22、頂層的特征圖P₅由縮減通道數后的特征圖C_R5直接獲得，根據公式：

P₅＝C_R5＝Conv_1×1(C₅)

求解，其中Conv_1×1(.)代表1×1卷積；

S23、密集連接：所有層數高于當前層P_i的特征圖{P_i+1,…,P₅}上采樣到本層特征圖大小，進行像素級相加得到密集連接后的特征圖F_Di，根據公式：

求解，其中Upsample(.)代表上采樣操作；

S24、CBAM：對每層得到的密集連接后的特征圖F_Di進行CBAM操作，得到各層的顯著特征圖A_i，具體如下：

CBAM由通道注意力機制和空間注意力機制構成，輸入密集連接后的特征圖的通道數為C、每個通道圖像的寬度和高度分別為W和H，CBAM首先將輸入特征圖F_Di通過通道注意力機制得到通道注意力圖F_Di與A_C像素級相乘后得到通過通道注意力機制的特征圖然后F_C通過空間注意力機制得到空間注意力圖最后F_C與A_S像素級相乘后得到每層的顯著特征圖CBAM的計算過程為：

其中，代表像素級相乘，A_C為通道注意力圖，A_S為空間注意力圖；

通道注意力機制同時利用最大池化和平均池化操作聚合空間信息，然后通過多層感知器減少參數，得到通道注意力圖A_C，計算過程如下式所示：

A_C(F_Di)＝σ(MLP(AvgPool(F_Di))+MLP(MaxPool(F_Di))),

其中，σ代表激活函數，AvgPool和MaxPool分別表示平均池化和最大池化操作，MLP表示多層感知器；

空間注意力機制首先在通道向使用最大池化和平均池化，并將結果進行拼接，最后在拼接特征圖上使用一個7×7卷積，得到空間注意力圖A_S，計算過程為下式：

A_S(F_C)＝σ(Conv_7×7([AvgPool(F_C)；MaxPool(F_C)]))

其中，Conv_7×7表示7×7卷積操作；

S25、橫向連接：{CR2、CR3、CR4}與對應的{A2、A3、A4}進行像素級相加，并通過3×3卷積減少由上采樣操作帶來的混疊效應，得到{P2、P3、P4}，根據公式：

求解，其中Conv3×3(.)代表3×3卷積，經過上述操作，獲得DAPN的自頂而下的網絡分支{P₂、P₃、P₄、P₅}；

S3、將各層不同尺度的最終融合特征圖{P₂、P₃、P₄、P₅}送入區域建議網絡，生成建議區域，最后利用Faster R-CNN進行SAR圖像多尺度艦船目標的檢測。