【技术实现步骤摘要】
本专利技术属于遥感图像处理，尤其涉及一种用于城市海岸边sar图像船舶检测的通用多层次融合注意力模型。
技术介绍
1、合成孔径雷达sar是一种高分辨率成像雷达，特点是分辨率高，能全天，全天候的工作，能有效地识别伪装和穿透掩盖物。近年来，由于神经网络在特征提取方面表现较好，各领域对神经网络的研究愈发深入，基于深度学习的目标检测方法广泛应用于sar船舶检测。然而，在sar图像中的舰船目标，由于船舶的多尺度、多角度特性，小型船只与大型船只相比，占据的像素较少，对比度较低；在多尺度船舶检测时，船舶在sar图像中的散射特性会导致船舶的轮廓不明确，尤其在城市海岸情况下，复杂的城市海岸背景突出，船舶更加不明显，常见的sar目标检测方法往往只关注船舶的局部特征，忽略了图像上下文之间的关系，增加了图像中多尺度舰船检测的难度。因此，设计一种能多层次突出船舶重要特征，降低船舶检测难度的用于城市海岸边sar图像船舶检测的通用多层次融合注意力模型成为了急需解决的技术问题。
技术实现思路
1、本专利技术为解决上述问题，提供了一种用于城市海岸边sar图像船舶检测的通用多层次融合注意力模型。
2、本专利技术的技术方案，一种用于城市海岸边sar图像船舶检测的通用多层次融合注意力模型，建立步骤如下，
3、步骤1，建立深度特征提取子模块dfem；
4、步骤2，建立包含多层感知机mlp的通道多层注意力融合子模块cmafm与空间多层注意力融合子模块smafm；
5、步骤3，将d
6、步骤4，结合通道多层次注意力分支和空间多层次注意力分支，建立初步模型，并与现有sar图像船舶检测网络相结合，形成基于mfam的sar图像船舶检测网络；
7、步骤5，收集历史sar图像检测数据形成数据集，并划分为训练集和测试集，设置训练参数，用训练集对有无mfam的检测网络进行训练并得到通用多层次融合注意力模型mfam，将测试集中的sar图像分别输入mfam进行检测。
8、作为本专利技术的进一步改进，所述dfem子模块以核大小为3×3的卷积提取深层特征，依次执行relu函数和批量归一化操作，再通过最大池化操作进行下采样，大小为浅层特征图的一半，使用两次得到多尺度特征图。
9、作为本专利技术的进一步改进，所述多层感知机mlp执行卷积操作将特征图的通道数改变为原来的1/r，r为缩减率，再依次执行批量归一化操作和relu函数对数据进行归一化激活，之后通过卷积层改变原始通道数，使用sigmoid激活函数得到通道注意力图。
10、作为本专利技术的进一步改进，所述cmafm子模块将多尺度特征图输入，压缩输入特征图的空间维度，通过输入dfem子模块得到的多尺度特征图，进行平均池化和最大池化，在维度上对每层的特征进行压缩，得到两个大小为c×1×1的特征图；再利用多层感知机mlp对平均池化和最大池化的结果进行处理，处理公式为，
11、{c}_{1}=bn\left [ {\sum ^{3}_{i=1} {mlp\left ( {maxpool\left ( {{f}_{i}} \right )} \right )}} \right ] （1）
12、{c}_{2}=bn\left [ {\sum ^{3}_{i=1} {mlp\left ( {avgpool\left ( {{f}_{i}} \right )} \right )}} \right ] （2）
13、 （3）
14、其中i = {1,2,3}，maxpool表示最大池化操作，avgpool表示平均池化操作，bn表示批归一化操作，sigmoid为激活函数。
15、作为本专利技术的进一步改进，所述smafm子模块通过dfem子模块提取的三个不同层次的特征映射并输入，生成空间注意块；再沿着每一层特征图的通道方向分别应用最大池化和平均池化生成两个大小为1×h×w的特征图，将每一层的特征图相加堆叠成一个大小为2×h×w的特征描述符；将特征描述符在批量归一化层进行归一化处理，使用通道数为1的标准卷积层进行连接和卷积，调整通道数；然后使用sigmoid激活函数获得空间注意图，得到输入特征图中每个特征点的权重值，该权重值介于0到1之间；该smafm子模块的表示公式为，
16、 （1）
17、 （2）
18、 （3）
19、其中i = {1,2,3}， maxpool表示最大池化操作，avgpool表示平均池化操作，sigmoid为激活函数，表示对特征图进行2i-1倍的上采样，bn表示批量归一化操作，con7×7表示卷积核为7×7卷积层。
20、作为本专利技术的进一步改进，所述现有sar图像船舶检测网络包括faster-rcnn与retinanet；所述检测网络训练基于pytorch框架，使用随机梯度下降方法进行训练，训练采用的权重衰减为0.0005，动量为0.9，学习率为0.005。
21、采用上述方法后，通过设计3个子模块dfem、cmafm与smafm，构建构建通道多层次注意力分支和空间多层次注意力分支，通过这两个分支构建出多层次融合注意力模型mfam。
22、先利用dfem提取具有不同分辨率和语义信息的丰富特征，能突出图像中不同尺度的舰船目标，抑制城市海岸背景，通过依次执行relu函数和批量归一化操作，规范化数据并优化参数，通过最大池化操作进行下采样，在保留特征的情况下减少参数，防止过拟合，并提高模型的泛化能力。
23、通过引入多层感知机mlp可以使特征区域的卷积被采样，以增强特征区域的学习，沿着特征图的通道维度输出权重，实现减少参数开销，有助于得到多层分支中，不同层次的特征信息重要性；通过依次执行批量归一化操作和relu函数对数据进行归一化激活，加快网络的收敛速度，防止梯度爆炸、梯度消失和过拟合。
24、然后，由cmafm和smafm来融合不同层次特征图上的通道注意力块和空间注意力块，更好地学习来自通道和空间维度的依赖特征，以增强特征表示；通过cmafm子模块确定通道的多层分支中，哪一层次的特征信息更重要，由最大池化取池化区域内像素的最大值，得到对纹理特征信息更敏感的特征图，由平均池化取池化区域内图像的平均值得到对背景信息更加敏感的特征信息，二者结合能增强图像的特征；通过smafm子模块将最大池化和平均池化生成的特征图堆叠，得到特征描述符，再经过标准卷积层与sigmoid激活函数处理，得到空间注意图，能聚焦输入图像中较重要的部分信息，增强船舶的位置信息，弱化不重要的特征信息。
25、附图说明
26、图1为本专利技术的通用多层次融合注意力模块mfam结构图。
2本文档来自技高网...
【技术保护点】
1.一种用于城市海岸边SAR图像船舶检测的通用多层次融合注意力模型，其特征在于：建立步骤如下，
2.根据权利要求1所述一种用于城市海岸边SAR图像船舶检测的通用多层次融合注意力模型，其特征在于：所述DFEM子模块以核大小为3×3的卷积提取深层特征，依次执行RELU函数和批量归一化操作，再通过最大池化操作进行下采样，大小为浅层特征图的一半，使用两次得到多尺度特征图。
3.根据权利要求1所述一种用于城市海岸边SAR图像船舶检测的通用多层次融合注意力模型，其特征在于：所述多层感知机MLP执行卷积操作将特征图的通道数改变为原来的1/r，r为缩减率，再依次执行批量归一化操作和ReLU函数对数据进行归一化激活，之后通过卷积层改变原始通道数，使用sigmoid激活函数得到通道注意力图。
4.根据权利要求2所述一种用于城市海岸边SAR图像船舶检测的通用多层次融合注意力模型，其特征在于：所述CMAFM子模块将多尺度特征图输入，压缩输入特征图的空间维度，通过输入DFEM子模块得到的多尺度特征图，进行平均池化和最大池化，在维度上对每层的特征进行压缩，得到两个大小为c
5.根据权利要求2所述一种用于城市海岸边SAR图像船舶检测的通用多层次融合注意力模型，其特征在于：所述SMAFM子模块通过DFEM子模块提取的三个不同层次的特征映射并输入，生成空间注意块；再沿着每一层特征图的通道方向分别应用最大池化和平均池化生成两个大小为1×H×W的特征图，将每一层的特征图相加堆叠成一个大小为2×H×W的特征描述符；将特征描述符在批量归一化层进行归一化处理，使用通道数为1的标准卷积层进行连接和卷积，调整通道数；然后使用sigmoid激活函数获得空间注意图，得到输入特征图中每个特征点的权重值，该权重值介于0到1之间；该SMAFM子模块的表示公式为，
6.权利要求1所述的一种用于城市海岸边SAR图像船舶检测的通用多层次融合注意力模型，其特征在于：所述现有SAR图像船舶检测网络包括Faster-rcnn与RetinaNet；所述检测网络训练基于Pytorch框架，使用随机梯度下降方法进行训练，训练采用的权重衰减为0.0005，动量为0.9，学习率为0.005。
...【技术特征摘要】
1.一种用于城市海岸边sar图像船舶检测的通用多层次融合注意力模型，其特征在于：建立步骤如下，
2.根据权利要求1所述一种用于城市海岸边sar图像船舶检测的通用多层次融合注意力模型，其特征在于：所述dfem子模块以核大小为3×3的卷积提取深层特征，依次执行relu函数和批量归一化操作，再通过最大池化操作进行下采样，大小为浅层特征图的一半，使用两次得到多尺度特征图。
3.根据权利要求1所述一种用于城市海岸边sar图像船舶检测的通用多层次融合注意力模型，其特征在于：所述多层感知机mlp执行卷积操作将特征图的通道数改变为原来的1/r，r为缩减率，再依次执行批量归一化操作和relu函数对数据进行归一化激活，之后通过卷积层改变原始通道数，使用sigmoid激活函数得到通道注意力图。
4.根据权利要求2所述一种用于城市海岸边sar图像船舶检测的通用多层次融合注意力模型，其特征在于：所述cmafm子模块将多尺度特征图输入，压缩输入特征图的空间维度，通过输入dfem子模块得到的多尺度特征图，进行平均池化和最大池化，在维度上对每层的特征进行压缩，得到两个大小为c×...
【专利技术属性】
技术研发人员：徐刚，王云阁，吴梦坷，王鹏，陈永康，
申请(专利权)人：浙江安防职业技术学院，
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。