[發明專利]一種基于MFF-MA模塊的SAR圖像艦船目標識別方法

在審

• 申請號: 202110684654.0
• 申請日: 2021-06-21
• 公開（公告）號: CN113435288A
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 周高雨;張弓;方政
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開了一種基于MFF?MA模塊的SAR圖像艦船目標識別方法，首先將擴充、整理好后的SAR圖像送入改進的VGG模型；通過改進VGG網絡的前4個卷積單元充分提取SAR圖像特征，通過多層次特征融合模塊得到輸出特征圖U；其次，將特征圖U∈R^C×H×W送入多尺度注意力模塊進一步提高重要特征的權重；最后，將MA模塊中兩個并行的注意力子模塊得到的輸出特征圖進行逐元素相加的特征融合，再由一個全連接層生成最終分類結果。本發明緩解了數據不平衡問題，通過MFF模塊充分挖掘豐富的深層次信息，通過MA模塊來降低艦船目標的“類間相似性過高”的負面影響，分別對空間維度和通道維度上的語義依賴關系進行建模，提高了特征的辨別能力。

技術領域

本發明屬于合成孔徑雷達圖像處理與目標識別技術領域，具體涉及一種基于MFF-MA模塊的SAR圖像艦船目標識別方法。

背景技術

合成孔徑雷達(Synthetic Aperture Radar,SAR)成像不受天氣、光照等諸多條件的影響，能夠宏觀、長期、連續、動態、實時地對海洋進行觀測，被廣泛應用于軍事和民用領域。近年來，利用SAR圖像進行艦船目標檢測和識別的研究得到了高度重視，已成為海洋應用領域的一個重要研究方向和信息技術的一個熱點話題。然而SAR圖像特征隨著不同的姿態，俯仰角，成像參數等具有較大變化，其存在的相干斑噪聲更是嚴重降低了圖像的可解譯程度，也給后續的目標檢測及分類帶去極大挑戰。對于艦船這種復雜的目標，僅僅是手動提取的特征常常沒辦法深刻細致、全面精確地對艦船的特點進行描述。

近年來神經網絡和深度學習的快速發展給SAR-ATR領域帶來了新的啟示。以卷積神經網絡(CNN)為代表的深度學習方法在圖像檢測、識別領域取得了巨大進展。相比傳統的人工設計尋找特征，利用特征進行分類的方法，國內外較多專業研究人員嘗試直接利用CNN以及搭建不同的卷積神經網絡架構進行SAR圖像的特征提取及分類，但這類方法的有效性嚴重依賴于訓練數據的質量和數量，而中等分辨率SAR圖像存在類間距小，類內距大的問題。如何進一步挖掘中等分辨率SAR圖像中的深層次特征來提高識別率的問題亟待解決。

發明內容

發明目的：為了解決上述現有技術中存在的不足，本發明基于特征融合和注意力機制，提出了一種基于MFF-MA模塊的SAR圖像艦船目標識別方法，解決了不平衡中等分辨率SAR圖像應用深度學習方法的特征提取及特征解譯問題，并研究了此估計方法的性能。

技術方案：本發明提出一種基于MFF-MA模塊的SAR圖像艦船目標識別方法，具體包括以下步驟：

(1)將擴充、整理好后的SAR圖像送入改進的VGG16模型；所述改進的VGG16模型為嵌入多層次特征融合模塊的VGG16作為骨干網絡；

(2)將特征圖U∈R^C×H×W送入擠壓-激勵模塊，通過損失函數來學習特征權重，得到加權后的特征圖A；

(3)將經過(2)獲得的特征圖A∈R^C×H×W送入兩個并行的注意力子模塊；即通過位置注意力模塊增強特征的表示能力，同時通過通道注意力模塊增強特征圖的判別能力；

(4)將步驟(3)中兩個注意力子模塊得到的輸出特征圖經過一個卷積層后進行逐元素相加的特征融合，再由一個全連接層生成最終分類結果。

進一步地，步驟(1)所述改進的VGG16模型為將原始VGG16網絡中的輸入層由3通道改為單通道；在模型中將最后一個卷積單元去除，并將原有的三個全連接層替換為一個全連接層；通過MFF模塊得到輸出特征圖U，即將第四個卷積塊的最后一層卷積層進行反卷積，再與第三個卷積塊的最后一層卷積層得到的特征圖進行融合。

進一步地，所述步驟(2)實現過程如下：

在擠壓部分，進行全局平均池化操作得到特征圖的全局信息：