【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。