【技术实现步骤摘要】
本申请涉及sar目标自动识别，特别是涉及一种融合视觉显著特征的sar目标识别方法、装置、设备和介质。
技术介绍
1、合成孔径雷达(synthetic aperture radar,sar)作为一种主动式微波成像雷达，具备全天时、全天候观测能力，这一优势使其在诸多遥感领域具有较高的应用价值，近年来得到了广泛关注。舰船目标识别是sar遥感的一个重要应用方向。
2、sar舰船目标识别方法主要分为传统方法与深度学习方法两大类。传统方法基于人工特征对舰船目标进行识别时，基于目标图像的统计特性和真实目标的物理特性，可解释性较强，但也存在较大局限性：人工设计的特征对目标的刻画表征不全面，且其设计过程繁琐费时；随目标所处场景的变化，人工特征和传统分类算法误差较大，泛化能力差，导致传统方法的实际应用范围受限。
3、而基于深度学习方法，虽然在sar目标识别领域也取得了较好的成绩，而在对目标为舰船进行自动识别时，由于其实际应用场景中，舰船靠岸、多舰船密集驻泊等情况频繁出现，导致舰船目标的sar图像切片具有复杂的背景。然而，此类切片在现有的sar舰船识别数据集中较为匮乏。现有数据集中大多数目标处于空旷海面上，仅少数图像的背景中含有近岸物体或其他舰船。使用这些数据训练所得的网络模型对空旷海面上孤立舰船目标的识别性能较好，但当处理复杂背景的舰船目标切片时，会面临包括：一方面由于模型缺少主动区分待识别舰船和切片背景的能力两方面的主要问题，导致切片中不属于待识别舰船的特征干扰分类结果。另一方面sar图像是不同散射体的影像相互叠加，使图像
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够针对具有复杂背景的sar图进行精准目标识别的融合视觉显著特征的sar目标识别方法、装置、设备和介质。
2、一种融合视觉显著特征的sar目标识别方法，所述方法包括：
3、获取待进行目标识别的sar图像；
4、基于先验信息将所述sar图像中的目标进行分割，得到对应所述sar图像的显著性二值图；
5、对所述sar图像进行图像分割后得到多个图像块，采用基于多层残差卷积构建的图像特征提取器对所述多个图像块进行特征提取，得到深度特征向量；
6、采用显著性特征提取器对所述显著性二值图进行处理后，得到规格与所述深度特征向量一致的显著视觉特征向量；
7、利用优化视觉注意力分类器将所述深度特征向量和显著视觉特征向量进行处理，得到目标识别结果，其中，所述优化视觉注意力分类器包括位置编码单元以及多头注意力单元，通过所述位置编码单元将所述深度特征向量和显著视觉特征向量转化为所述多头注意力单元的输入向量，由所述多头注意力单元对所述深度特征向量和显著视觉特征向量进行特征融合，基于所述融合特征进行目标识别。
8、在其中一实施例中，所述基于先验信息将所述sar图像中的目标进行分割，得到对应所述sar图像的显著性二值图包括：
9、根据所述sar图像中的目标斜框先验信息，将所述sar图像分为两个区域；
10、将所述sar图像中所述斜框内的区域以及所述斜框外的区域中所有像素，分别赋值为“1”和“0”，进一步生成所述显著性二值图。
11、在其中一实施例中，所述图像特征提取器包括多个依次连接的残差卷积块；
12、各所述残差卷积块均包括两层卷积层，在所述残差卷积块对输入数据进行处理时，对每层卷积层的输出数据进行批标准化处理，同时采用残差连接将输入至首层卷积层的输入数据与末层卷积层的输出数据进行相加，再采用gelu激活函数对相加结果进行处理，得到该残差卷积块的输出特征。
13、在其中一实施例中，所述显著性特征提取器包括平均池化层、卷积层以及gelu激活函数层。
14、在其中一实施例中，在所述优化视觉注意力分类器中：
15、所述显著视觉特征向量通过所述位置编码单元，转化为输入至所述多头注意力单元的查询向量；
16、所述深度特征向量通过所述位置编码单元，转化为输入至所述多头注意力单元的地址向量和特征向量。
17、在其中一实施例中，所述方法还包括：
18、根据所述图像特征提取器、显著性特征提取器以及优化视觉注意力分类器构建得到双分支目标识别网络；
19、将所述sar图像以及对应的显著性二值图输入至所述双分支目标识别网络，得到所述目标识别结果。
20、在其中一实施例中，在对所述双分支目标识别网络进行训练时：
21、先对所述图像特征提取器以及位置编码单元进行预训练，并将预训练完成后，所述图像特征提取器以及位置编码单元中调整后的参数值进行固定，再对所述双分支目标识别网络中其他可调参数进行训练。
22、本申请还提供了一种融合视觉显著特征的sar目标识别装置，所述装置包括：
23、待处理图像获取模块，用于获取待进行目标识别的sar图像；
24、目标分割图像得到模块，用于基于先验信息将所述sar图像中的目标进行分割，得到对应所述sar图像的显著性二值图；
25、深度特征向量提取模块，用于对所述sar图像进行图像分割后得到多个图像块，采用基于多层残差卷积构建的图像特征提取器对所述多个图像块进行特征提取，得到深度特征向量；
26、显著视觉特征向量提取模块，用于采用显著性特征提取器对所述显著性二值图进行处理后，得到规格与所述深度特征向量一致的显著视觉特征向量；
27、目标识别模块，用于利用优化视觉注意力分类器将所述深度特征向量和显著视觉特征向量进行处理，得到目标识别结果，其中，所述优化视觉注意力分类器包括位置编码单元以及多头注意力单元，通过所述位置编码单元将所述深度特征向量和显著视觉特征向量转化为所述多头注意力单元的输入向量，由所述多头注意力单元对所述深度特征向量和显著视觉特征向量进行特征融合，基于所述融合特征进行目标识别。
28、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
29、获取待进行目标识别的sar图像；
30、基于先验信息将所述sar图像中的目标进行分割，得到对应所述sar图像的显著性二值图；
31、对所述sar图像进行图像分割后得到多个图像块，采用基于多层残差卷积构建的图像特征提取器对所述多个图像块进行特征提取，得到深度特征向量；
32、采用显著性特征提取器对所述显著性二值图进行处理后，得到规格与所述深度特征向量一致的显著视觉特征向量；
33、利用优化视觉注意力分类器将所述深度特征向量和显著视觉特征向量进行处理，得到目标识别结果，其中，所述优化视觉注意力分类器包括位置编码单元以及多头注意力单元，通过所述位置编码单元将所述深度特征向量和显著视觉特征向量转化为所述多头注意力单元的输入向量，由所述多头本文档来自技高网...
【技术保护点】
1.一种融合视觉显著特征的SAR目标识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的SAR目标识别方法，其特征在于，所述基于先验信息将所述SAR图像中的目标进行分割，得到对应所述SAR图像的显著性二值图包括：
3.根据权利要求1所述的SAR目标识别方法，其特征在于，所述图像特征提取器包括多个依次连接的残差卷积块；
4.根据权利要求1所述的SAR目标识别方法，其特征在于，所述显著性特征提取器包括平均池化层、卷积层以及GeLU激活函数层。
5.根据权利要求1所述的SAR目标识别方法，其特征在于，在所述优化视觉注意力分类器中：
6.根据权利要求1-5任一项所述的SAR目标识别方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的SAR目标识别方法，其特征在于，在对所述双分支目标识别网络进行训练时：
8.一种融合视觉显著特征的SAR目标识别装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种融合视觉显著特征的sar目标识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的sar目标识别方法，其特征在于，所述基于先验信息将所述sar图像中的目标进行分割，得到对应所述sar图像的显著性二值图包括：
3.根据权利要求1所述的sar目标识别方法，其特征在于，所述图像特征提取器包括多个依次连接的残差卷积块；
4.根据权利要求1所述的sar目标识别方法，其特征在于，所述显著性特征提取器包括平均池化层、卷积层以及gelu激活函数层。
5.根据权利要求1所述的sar目标识别方法，其特征在于，在所述优化视觉注意力分类器中：
<...【专利技术属性】
技术研发人员：冷祥光，孙忠镇，张祥辉，计科峰，熊博莅，赵凌君，雷琳，张思乾，唐涛，
申请(专利权)人：中国人民解放军国防科技大学，
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。