基于中心坐标注意力模型的目标识别分类及应用制造技术

本发明专利技术公开了一种基于中心坐标注意力模型的目标识别分类及应用，包括：1.选取不同种类的SAR图像作为样本集；2.采用Lenet

【技术实现步骤摘要】
基于中心坐标注意力模型的目标识别分类及应用


[0001]本专利技术涉及SAR图像目标分类
，具体涉及一种基于中心坐标注意力模型的 目标识别分类及应用。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)是一种全天候、全天时的现代高分辨率微波 成像雷达，可以获得任何天气条件下目标的高分辨率雷达图像。与光学图像相比，SAR图像 获取更方便、更灵活，并且可以提供丰富的散射信息。因此，SAR图像被广泛应用于军事侦 察分类领域中，并且获得了不错的分类性能。
[0003]SAR图像目标分类方法经历了四个阶段：基于模板的方法，基于模型的方法，基于深度 学习的方法和基于注意力机制的方法。基于模板的方法通过设计匹配模板来进行SAR图像目 标分类，基于模型的方法通过仿真一系列假设模型来进行SAR图像目标分类。然而上述两种 方法非常依赖人工设计的匹配模板和假设模型，它们不仅非常耗时耗力，而且自动化程度低， 缺乏灵活性。随着SAR目标分类方法的发展，基于深度学习的方法被广泛关注，它通过自动 特征提取和分类完成了SAR图像目标分类的任务，但是它非常依赖特征表示能力，在一定程 度上限制了应用。随着注意力机制的发展，基于注意力机制的SAR目标分类方法逐渐被提出， 它们从通道注意力，空间注意力和频率注意力等方面对SAR图像目标分类方法的特征表示能 力进行补充，从各个方面寻找能最大程度代表SAR图像目标的特征。
[0004]现有的SAR图像目标分类方法通过加深网络层，提取多方面特征信息和选用不同的卷积 融合方式来完成SAR图像目标分类任务，它们不能同时兼顾分类精度和效率，并且提取大量 特征信息同时忽略了不同特征信息对分类精度的影响是不同的，杂乱的多方面特征信息会在 一定程度上影响分类精度和效率，从而得到不理想的分类结果。

技术实现思路

[0005]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于中心坐标注意力模型的 目标识别分类及应用，以期能有效提高SAR图像中心坐标信息的关注度，保证SAR图像目 标特征信息的充分利用，从而能提高图像分类的准确性和效率。
[0006]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0007]本专利技术一种基于中心坐标注意力模型的目标识别分类的特点在于，包括如下步骤：
[0008]步骤1：选取不同种类的SAR图像作为基于中心坐标注意力模型的目标识别分类的样本 集合，将所述样本集合中的SAR图像进行尺寸统一后，得到预处理后的SAR图像集合{S1,S2,
…
,S
i
,
…
,S
n
}，其中，S
i
表示预处理后的SAR图像集合中第i个SAR图像样本，n表 示SAR图像集合的容量；i∈[1,n]；
[0009]步骤2：搭建基于中心坐标注意力模型的目标识别分类网络，包括：骨干网络，中心
坐 标注意力模型，融合层和分类网络；
[0010]步骤2.1：所述骨干网络是基于Lenet
‑
5网络，并包括：第一卷积
‑
池化块，第二卷积
‑
池 化块和卷积块；
[0011]所述第一卷积
‑
池化块的卷积核K1的尺寸为n1×
n1，卷积步长为c1，池化核P1的尺寸为 m1×
m1，池化步长为p1；所述第二卷积
‑
池化块的卷积核K2的尺寸为n2×
n2，卷积步长为c2， 池化核P2的尺寸为m2×
m2，池化步长为p2；所述卷积块的卷积核K3尺寸为n3×
n3，卷积步长 为c3；
[0012]将第i个SAR图像样本S
i
送入所述骨干网络中进行处理，并利用式(1)得到一个卷积特征 图F
i
：
[0013][0014]式(1)中，F
i,1
、F
i,2
、F
i,3
、F
i,4
分别表示所述第一卷积
‑
池化块中经过卷积核的输出、 所述第一卷积
‑
池化块中经过池化核的输出、所述第二卷积
‑
池化块中经过卷积核的输出、所 述第二卷积
‑
池化块中经过池化核的输出，*表示卷积操作，σ(
·
)为ReLU函数；
[0015]步骤2.2：所述中心坐标注意力模型是由池化块、中心加权块和输出块依次构成；
[0016]所述池化块通过尺寸为H
×
1和1
×
W的一维池化核分别对所述卷积特征图F
i
进行最大池 化操作，从而利用式(1)得到尺寸为1
×
W和H
×
1的条形特征图F
iv
、F
ih
：
[0017][0018]式(2)中，x,y分别表示行和列，F
i,x,y
表示卷积特征图F
i
中第x行第y列元素，表示垂 直条形特征图F
iv
中第y列元素，表示水平条形特征图F
ih
中第x行元素；
[0019]所述中心加权块通过中心重要度加权核分别对所述条形特征图F
iv
、F
ih
进行加权，利用式 (3)可得到垂直中心重要度加权核f
v
和水平中心重要度加权核f
h
：
[0020][0021]式(3)中，表示垂直中心重要度加权核f
v
的第x行第y列元素，表示水平中心重要 度加权核f
h
的第x行第y列元素，exp(
·
)表示指数函数，x
*
和y
*
分别是条形特征图F
iv
、F
ih
的 行和列的中间坐标值，ε为调节参数；
[0022]利用式(4)对所述条形特征图F
iv
、F
ih
与所述中心重要度加权核f
v
、f
h
进行加权，得到垂 直中心重要度加权条形特征图和水平中心重要度加权条形特征图
[0023][0024]式(4)中，表示垂直中心重要度加权条形特征图的第x行第y列元素，表示水 平中心重要度加权条形特征图的第x行第y列元素，MUL(
·
)表示矩阵对应位置元素相乘；
[0025]所述输出块首先将中心重要度加权条形特征图和分别进行行扩展和列扩展，从而得 到与所述卷积特征图F
i
的尺寸一致的垂直中心重要度加权特征图和水平中心重要度加权 特征图然后利用式(5)对所述中心重要度加权特征图和进行逐元素相加后，得到最 终的中心重要度加权特征图G
i
，最后利用式(6)得到融合权重系数矩阵W
i
：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于中心坐标注意力模型的目标识别分类，其特征在于，包括如下步骤：步骤1：选取不同种类的SAR图像作为基于中心坐标注意力模型的目标识别分类的样本集合，将所述样本集合中的SAR图像进行尺寸统一后，得到预处理后的SAR图像集合{S1,S2,
…
,S
i
,
…
,S
n
}，其中，S
i
表示预处理后的SAR图像集合中第i个SAR图像样本，n表示SAR图像集合的容量；i∈[1,n]；步骤2：搭建基于中心坐标注意力模型的目标识别分类网络，包括：骨干网络，中心坐标注意力模型，融合层和分类网络；步骤2.1：所述骨干网络是基于Lenet
‑
5网络，并包括：第一卷积
‑
池化块，第二卷积
‑
池化块和卷积块；所述第一卷积
‑
池化块的卷积核K1的尺寸为n1×
n1，卷积步长为c1，池化核P1的尺寸为m1×
m1，池化步长为p1；所述第二卷积
‑
池化块的卷积核K2的尺寸为n2×
n2，卷积步长为c2，池化核P2的尺寸为m2×
m2，池化步长为p2；所述卷积块的卷积核K3尺寸为n3×
n3，卷积步长为c3；将第i个SAR图像样本S
i
送入所述骨干网络中进行处理，并利用式(1)得到一个卷积特征图F
i
：式(1)中，F
i,1
、F
i,2
、F
i,3
、F
i,4
分别表示所述第一卷积
‑
池化块中经过卷积核的输出、所述第一卷积
‑
池化块中经过池化核的输出、所述第二卷积
‑
池化块中经过卷积核的输出、所述第二卷积
‑
池化块中经过池化核的输出，*表示卷积操作，σ(
·
)为ReLU函数；步骤2.2：所述中心坐标注意力模型是由池化块、中心加权块和输出块依次构成；所述池化块通过尺寸为H
×
1和1
×
W的一维池化核分别对所述卷积特征图F
i
进行最大池化操作，从而利用式(1)得到尺寸为1
×
W和H
×
1的条形特征图F
iv
、F
ih
：式(2)中，x,y分别表示行和列，F
i,x,y
表示卷积特征图F
i
中第x行第y列元素，表示垂直条形特征图F
iv
中第y列元素，表示水平条形特征图F
ih
中第x行元素；所述中心加权块通过中心重要度加权核分别对所述条形特征图F
iv
、F
ih
进行加权，利用式(3)可得到垂直中心重要度加权核f
v
和水平中心重要度加权核f
h
：式(3)中，表示垂直中心重要度加权核f
v
的第x行第y列元素，表示水平中心重要度加权核f
h
的第x行第y列元素，exp(
·
)表示指数函数，x
*
和y

【专利技术属性】
技术研发人员：艾加秋，屈铮，张勇，陈斌，贾璐，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：