CN110472627A 一种端到端的sar图像识别方法、装置及存储介质 （五邑大学）

一种端到端的SAR图像识别方法、装置及存本发明公开了一种端到端的SAR图像识别方译码结构来增强SAR深度特征的语义信息，提升SAR目标识别性能；同时构建一个完整性强的面向湾区大场景的端到端SAR图像目标识别模型，有助于湾区大场景合成孔径雷达目标识别模型2结合原始SAR图像和生成对抗网络生成的SAR图像虚拟将待测SAR图像依次通过经SAR图像数据库训练的深度视觉特征提取网络和语义特征将SAR特征图像通过区域候选框网络进行区域框定并筛选，得到带候选框区域特征的将表观特征通过感兴趣区域特征编码和感兴趣区域将候选框区域特征通过感兴趣区域特征编码和感兴趣区域池化的方法得到区域识别2.根据权利要求1所述的一种端到端的SAR图像SAR图像和生成对抗网络生成的SAR图像虚拟样本构建SA对原始SAR图像进行电磁仿真处理以获得构建生成对抗网络并通过生成对抗网络对原始SAR图像和SAR电磁仿真图像处理以获对原始SAR图像和SAR图像虚拟样本预处理得到SA数据库训练的深度视觉特征提取网络包括一个原始的基础深度神经网络和一个经SAR图像度视觉特征提取网络和语义特征增强网络，得到带表观特征的SAR特征图像，包括以下步利用待测SAR图像训练原始的基础深度神经网络，度神经网络的数据迁移至经待测SAR图像训练的基础深度神经网络，得到初始化的深度视利用激活函数对初始化的深度视觉特征提取图像通过区域候选框网络进行区域框定并筛选，得到带候选框区域特征的SAR区域特征图利用非最大抑制方法筛选出置信值最大的k个带候选框数据增强模块，用于结合原始SAR图像和生成对抗网络生成的SAR图像虚拟样本构建3特征增强模块，用于将待测SAR图像依次通过经SAR图到区域检测特征，并通过检测网络根据区域检测特征对待测SAR图像进行目标检测，得到得到区域识别特征，并通过识别网络根据区域识别特征对待测SAR图像进行判别损失以识6.根据权利要求5所述的一种端至端的SAR图虚拟样本生成模块，用于构建生成对抗网络并通过生数据库训练的深度视觉特征提取网络包括一个原始的基础深度神经网络和一个经SAR图像迁移学习模块，用于利用待测SAR图像训练原始的基础深数据库训练的基础深度神经网络的数据迁移至经待测SAR图像训练的基础深度神经网络，网络优化模块，用于利用激活函数对初始化的深度视觉特征提取网络进行网络优化，语义特征增强模块，用于通过语义特征增强网络对特征输8.根据权利要求7所述的一种端至端的SAR图像筛选模块，用于利用非最大抑制方法筛选出置信使所述处理器能够执行如权利要求1-4任一项所述的一种4[0002]合成孔径雷达(SyntheticApertureRadar,SAR)是一种分辨率极高的微波成像[0004]本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种端到端[0008]将待测SAR图像依次通过经SAR图像数据库训练的深度视觉特征提取网络和语义[0010]将表观特征通过感兴趣区域特征编码和感兴趣区域池化的方法得到区域检测特[0011]将候选框区域特征通过感兴趣区域特征编码和感兴趣区域池化的方法得到区域识别特征，并通过识别网络根据区域识别特征对待测SAR图像进行判别损失以识别标签，[0014]构建生成对抗网络并通过生成对抗网络对原始SAR图像和SAR电磁仿真图像处理5础深度神经网络和一个经SAR图像数据库训练的基础深度神经网络；所述将待测SAR图像[0017]利用待测SAR图像训练原始的基础深度神经网络，并将经SAR图像数据库训练的[0018]利用激活函数对初始化的深度视觉特征提取网络进行网络优化，使初始化的深[0022]比较检测框区域与真值区域的交并比与阈值，并输出检测框区域与真值区域的[0023]利用非最大抑制方法筛选出置信值最大的k个带候选框区域特征的SAR区域特征[0025]数据增强模块，用于结合原始SAR图像和生成对抗网络生成的SAR图像虚拟样本[0026]特征增强模块，用于将待测SAR图像依次通过经SAR图像数据库训练的深度视觉[0028]目标检测模块，用于将表观特征通过感兴趣区域特征编码和感兴趣区域池化的方法得到区域检测特征，并通过检测网络根据区域检测特征对待测SAR图像进行目标检[0029]目标识别模块，将候选框区域特征通过感兴趣区域特征编码和感兴趣区域池化[0032]虚拟样本生成模块，构建生成对抗网络并通过生成对抗网络对原始SAR图像和[0033]预处理模块，用于对原始SAR图像和SAR图像虚拟样本预处理得到SAR图像数据6图像数据库训练的基础深度神经网络的数据迁移至经待测SAR图像训练的基础深度神经[0036]网络优化模块，用于利用激活函数对初始化的深度视觉特征提取[0043]本发明的第四方面提供了一种存储介质，所述存储介质存储有计算机可执行指提高SAR图像数据的丰富度，有利于之后的网络训练；还引入语义特征增强技术，通过编性强的面向湾区大场景的端到端SAR图像目标识别模型，有助于湾区大场景合成孔径雷7每个技术特征和整体技术方案，但其不能理解为对本发明保护[0053]面向大场景的端到端SAR目标识别的精度同时取决于目标数据的丰富度和提取[0056]步骤S200、将待测SAR图像依次通过经SAR图像数据库训练的深度视觉特征提取[0058]步骤S400、将表观特征通过感兴趣区域特征编码和感兴趣区域池化的方法得到[0059]步骤S500、将候选框区域特征通过感兴趣区域特征编码和感兴趣区域池化的方[0063]步骤S120、构建生成对抗网络并通过生成对抗网络对原始SAR图题提供了充足的数据输入；通过生成对抗网络学习SAR电磁仿真图像与原始SAR图像的映[0068]步骤S112、对电磁仿真模型通过电磁仿真软件处理，得到原始SAR图像的RCS数8[0077]可以理解的是，生成对抗网络(GAN:GenerativeAdversarialNets)是一种深度取网络包括一个原始的基础深度神经网络和一个经SAR图像数据库训练的基础深度神经将经SAR图像数据库训练的基础深度神经网络的数据迁移至经待测SAR图像训练的基础深这些特征值进行迁移学习至经待测SAR图像训练的基础深度神经网络，使该经待测SAR图移学习，解决了SAR目标图像样本量不足的问题，从而有效提升深度神经网络的收敛速9[0085]在步骤S220中，先在初始化的深度视觉特征提取网络的最后一层的全连接层后ij为d*m*k的三维权重矩阵，b为m*k的二维偏置向量，d表示输入的权重的个激活函数层具有单侧抑制性，把Maxout激活函数层输出的局部最大权重中的负值变为0，是概率密度服从正态分布的噪声；然后利用编码器将仿真特征输出值进行特征空间向语再采用译码器对语义特征输出值通过变形、尺寸变换和拼接的方法进行语义空间向特征[0093]在步骤320中，先计算出检测框区域与真值区域的交并比，即检测框区域的IoU(IntersectionoverUnion)；然后比较检测框区域与真值区域的交并比与阈值的大小，图像上生成接近真值区域的多个候选框区域，利用多尺度和长宽比的锚框来预测边界框[0095]另外，对正样本图像的候选框区域进行边框回归处理，具体的损失函数为：eg为回归损失函数，其表达式为：R函数定义为clsreg分别是分类项和回归项的归一化参数。[0096]在步骤330中，RPN网络的正向评估将导致锚点具有客观性的IoU和边界框偏利用非最大抑制方法筛选出置信值最大的k个带候选框区域特征的SAR区域特征图像。具[0097]在步骤400中，两个有2048个神经元且阈值为0.个输出，分别表示待测SAR图像是SAR目标检测[0098]在步骤S500中，首先将候选框区域特征通过感兴趣区域特征编码和感兴趣区域时为了克服针对传统RNN训练中梯度消失或爆炸的缺点，采用了长短期记忆方法(LSTM)，是无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏[0103]参照图5，本发明实施例还提供了基于上述的端到端的SAR图像识别方法的一种[0104]数据增强模块10，用于结合原始SAR图像和生成对抗网络生成的SAR图像[0105]特征增强模块20，用于将待测SAR图像依次通过经SAR图像数据库训练的深度视[0107]目标检测模块40，用于将表观特征通过感兴趣区域特征编码和感兴趣区域池化[0108]目标识别模块50，将候选框区域特征通过感兴趣区域特征编码和感兴趣区域池提取网络包括一个原始的基础深度神经网络和一个经SAR图像数据库训练的基础深度神SAR图像数据库训练的基础深度神经网络的数据迁移至经待测SAR图像训练的基础深度神[0115]网络优化模块22，用于利用激活函数对初始化的深度视觉特征提取网络进行网[0118]检测框生成模块31，用于将SAR特征图像通过区域候选框网络以生成检测框区[0122]第一感兴趣区域处理模块41，用于将表观特征通过感兴趣区域特征编码和感兴[0125]第二感兴趣区域处理模块51，用于将候选框区域特征通过感兴趣区域特征编码[0127]需要说明的是，由于第一感兴趣区域处理模块41和第二感兴趣区域处[0129]本发明另一个实施例提供了一种存储介质，所述存储介质存储有计算机