[發(fā)明專利]一種基于脈沖神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標(biāo)識別方法

在審

• 申請?zhí)枺?/td>: 202110368850.7
• 申請日: 2021-04-06
• 公開（公告）號: CN113111758A
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 謝洪途;李金膛;王國倩;陳曾平
• 申請（專利權(quán)）人: 中山大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 劉俊

本發(fā)明提供一種基于脈沖神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標(biāo)識別方法，該方法采用了基于視覺注意力機(jī)制的視覺顯著圖提取方法，可以增強(qiáng)圖像特征、去除相干斑等噪聲影響，提高模型泛化能力和魯棒性；然后，利用泊松編碼器對視覺顯著圖進(jìn)行步長為T的脈沖編碼，得到離散的脈沖時間序列，以便后續(xù)的網(wǎng)絡(luò)進(jìn)行信息傳遞；接著，利用卷積神經(jīng)網(wǎng)絡(luò)和LIF脈沖神經(jīng)元構(gòu)建脈沖神經(jīng)網(wǎng)絡(luò)模型，賦予神經(jīng)網(wǎng)絡(luò)更好的生物特性，從而能夠更準(zhǔn)確地模擬大腦的信息傳遞過程；最后，利用替代梯度訓(xùn)練方法，解決了脈沖神經(jīng)網(wǎng)絡(luò)模型難以利用梯度下降和反向傳播進(jìn)行優(yōu)化的問題；該方法能夠準(zhǔn)確識別艦船目標(biāo)，同時兼具有高效節(jié)能的優(yōu)勢。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像目標(biāo)識別領(lǐng)域，更具體地，涉及一種基于脈沖神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標(biāo)識別方法。

背景技術(shù)

合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)是一種高分辨率成像雷達(dá),具有全天候、全天時、不受天氣影響等成像特點(diǎn)，可有效地識別偽裝和穿透掩蓋物，能夠宏觀、長期、動態(tài)、實(shí)時地對陸地和海洋進(jìn)行觀測，已成為對地、對海觀測系統(tǒng)的重要構(gòu)成部分，目前成為遙感技術(shù)的研究重點(diǎn)。它不僅被廣泛應(yīng)用于國民經(jīng)濟(jì)建設(shè)、生態(tài)環(huán)境保護(hù)等領(lǐng)域，而且在國家安全與軍事領(lǐng)域發(fā)揮著越來越重要的作用。隨著高分三號等衛(wèi)星的發(fā)射，提供了越來越多的高分辨率SAR圖像，進(jìn)一步促進(jìn)了SAR圖像解譯技術(shù)的發(fā)展和應(yīng)用。

近年來，人工智能(Artificial Intelligence，AI)技術(shù)的興起引發(fā)了以計(jì)算機(jī)視覺領(lǐng)域?yàn)榇淼目焖侔l(fā)展，并逐漸在SAR圖像解譯領(lǐng)域得到推廣。AI的代表性技術(shù)為深度學(xué)習(xí)(Deep Learning)，深度學(xué)習(xí)的概念源于對人工神經(jīng)網(wǎng)絡(luò)(Artificial NeuralNetworks，ANN)的研究，含多個隱藏層的神經(jīng)網(wǎng)絡(luò)就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布和特征表示。以神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法能夠自主學(xué)習(xí)圖像特征而不依賴人工設(shè)計(jì)，具有自動化程度高、識別能力強(qiáng)等特點(diǎn)，在SAR圖像諸多任務(wù)(如檢測、鑒別、分類和分割等)方面取得了突破性進(jìn)展。\

盡管傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)在多項(xiàng)任務(wù)上取得了突破性的進(jìn)展，能耗問題卻限制了其更加廣泛的部署應(yīng)用。為了解決這一問題，第三代人工神經(jīng)網(wǎng)絡(luò)---脈沖神經(jīng)網(wǎng)絡(luò)(Spiking Neural Networks，SNN)被提了出來?；陬惸X計(jì)算框架下的SNN以脈沖神經(jīng)元為基本計(jì)算單元，通過稀疏脈沖序列傳遞信息，被稱為能耗更低的新一代綠色人工智能技術(shù)。SNN最早由1997年Maass受生物大腦的啟發(fā)而提出，原理是利用脈沖函數(shù)來模仿生物神經(jīng)元之間的信息傳遞。作為第三代神經(jīng)網(wǎng)絡(luò)，SNN能夠模仿人類大腦的信息編碼和處理過程，是一種具有高生物可塑性，事件驅(qū)動特性和低功耗的類腦計(jì)算模型。相比于人工神經(jīng)元，脈沖神經(jīng)元則從神經(jīng)科學(xué)的角度出發(fā)，對真實(shí)的生物神經(jīng)元進(jìn)行建模，其模擬神經(jīng)元更加接近生物實(shí)際，因此能夠更好地模擬生物神經(jīng)元的復(fù)雜系統(tǒng)。然而，不同于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)以連續(xù)的實(shí)值進(jìn)行模擬計(jì)算，SNN是以離散的脈沖序列進(jìn)行消息傳遞，因此存在難以訓(xùn)練或訓(xùn)練效率低等問題，針對SNN的研究仍然遠(yuǎn)落后于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。

當(dāng)前，針對SNN的研究主要集中在以光學(xué)圖像為載體的計(jì)算機(jī)視覺領(lǐng)域，對于SAR圖像艦船目標(biāo)識別場景，如何提出一個高效節(jié)能、識別準(zhǔn)確率高的模型正是一個亟待解決的技術(shù)問題。

發(fā)明內(nèi)容

本發(fā)明提供一種基于脈沖神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標(biāo)識別方法，該方法克服現(xiàn)有的SAR圖像艦船目標(biāo)識別神經(jīng)網(wǎng)絡(luò)參數(shù)龐大、能耗高等技術(shù)問題。

為了達(dá)到上述技術(shù)效果，本發(fā)明的技術(shù)方案如下：

一種基于脈沖神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標(biāo)識別方法，包括以下步驟：

S1：進(jìn)行SAR圖像視覺顯著圖提取和脈沖編碼；

S2：進(jìn)行脈沖神經(jīng)網(wǎng)絡(luò)模型構(gòu)建；

S3：進(jìn)行脈沖神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。