[發明專利]一種基于動態卷積的遙感圖像艦船目標細粒度分類方法

在審

• 申請號: 202011339909.1
• 申請日: 2020-11-25
• 公開（公告）號: CN112464792A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 姜志國;邸楊驊;張浩鵬;趙丹培;謝鳳英
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

本發明公開了一種基于動態卷積的遙感圖像艦船目標細粒度分類方法，將采集特征圖輸入到注意力模塊中，注意力模塊生成K個歸一化注意力權重參數；對采集特征圖卷積處理中，平行卷積核模塊中用K個平行卷積代替單獨卷積，注意力權重參數與K個平行卷積的卷積核進行結合形成動態卷積層，最后連接到分類網絡中進行分類，本發明通過動態卷積層與分類網絡的結合，將注意力機制融入動態卷積中，多核集成并且添加了經過前面注意力模塊計算歸一化的注意力權重參數以非線性的方式融合，提高了模型的特征學習能力進而提高艦船目標細粒度分類的準確率。

技術領域

本發明屬于數字圖像處理領域，更具體的說是涉及一種基于動態卷積的遙感圖像艦船目標細粒度分類方法。

背景技術

遙感圖像海上艦船目標的分類技術一直是遙感圖像處理領域的基礎研究，在港口實時監控、海上軍事艦船目標檢測和精細識別方面具有重要的意義。由于公開的大部分有關遙感圖像艦船目標研究主要集中艦船目標的檢測和后續進行背景和艦船目標的二分類，少部分的文獻專門對艦船目標多分類任務進行了研究，但是分類的類別數量也十分有限，近年來，深度學習技術的快速發展，細粒度分類相關的技術受到了越來越多的關注，細粒度分類技術可以艦船目標進行更精細化的分類。

目前圖像細粒度分類主要的注意力機制都是和特征圖通道層面進行操作，也就是將注意力機制與傳統的卷積進行融合，傳統卷積相當于是靜態卷積其可以用公式表示，y＝g(W^T(x)+b(x))，靜態卷積運算的卷積核是空間共享的，經過靜態的卷積運算得到的特征圖較為平滑，容易丟失原始圖像中的信息，因此將基于卷積層的注意力的動態卷積融合到細粒度分類中是一個重要的應用體現，將對艦船目標細粒度分類的準確率起到提高的作用。

因此，為了解決遙感圖像艦船目標細粒度分類準確率低的問題，提出了一種基于動態卷積的遙感圖像艦船目標細粒度分類技術。

發明內容

有鑒于此，本發明提供了一種基于動態卷積的遙感圖像艦船目標細粒度分類方法，通過的動態卷積層使注意力函數對輸入圖像產生依賴，具有更強特征提取能力進而提高了分類準確率。

為了實現上述目的，本發明采用如下技術方案：

一種基于動態卷積的遙感圖像艦船目標細粒度分類方法，將采集特征圖輸入到注意力模塊中，注意力模塊生成K個歸一化注意力權重參數；

對采集特征圖卷積處理中，平行卷積核模塊中用K個平行卷積代替單獨卷積，注意力權重參數與K個平行卷積的卷積核進行結合形成動態卷積層，最后連接到分類網絡中進行分類。

進一步，所述注意力模塊建模方法如下，

S1：采集動態輸入的特征圖，通過池化操作捕捉特征圖信息得到池化特征圖，池化特征圖維度為1×1×c，c為通道數；

S2：池化特征圖進入第一全連接層進行降維，得到第一特征圖；

S3：通過ReLU函數對降維后的第一特征圖引入非線性因素，克服梯度消失問題，得到第二特征圖；

S4：第二特征圖進入第二全連接層進行升維，維度升至1×1×c得到第三特征圖，即可以表示為元素個數為c的一維向量；

S5：利用softmax函數對一維向量進行歸一化，得到K個注意力權重。

進一步，所述S1中的池化操作為對輸入的特征圖分別進行平均池化和最大池化，兩種池化下的池化特征圖平行運行，在所述步驟S5中將平均池化下的第三特征圖和最大池化下的第三特征圖分別對應一個一維向量，兩個一維向量對應相加后通過softmax函數歸一化，得到K個注意力權重參數。

進一步，所述平行卷積核模塊為動態輸入的特征圖對應的K個平行卷積核，所述K個平行卷積核與K個注意力權重對應相乘后相加得到新卷積核，所述新的卷積核以卷積的方式結合到分類網絡中。