CN117218612B 一种基于注意力机制的sar图像舰船目标识别方法 （西北工业大学）

一种基于注意力机制的SAR图像舰船目标识本发明公开了一种基于注意力机制的SAR图RFB感受野模块来加强MobileNetV3主干网的性尺度的特征图之间组合使用稠密连接和横向拼SAR图像中的不同场景。本发明基于FSSD神经网络，本发明提出ASSD网络来更好地满足SAR舰船2用CA注意力模块与RFB感受野模块来加强M采用自顶向下的特征金字塔设计方案来提取包含语义和空间信息的多在不同尺度的特征图之间组合使用稠密连接和横向拼接来融合无模糊全局特征和显著局部特征，并加入CA注意力模块来自适应地细化特征图，以适应SAR图像中的不同场在原来三个分支的基础上添加一个膨胀率为7的空洞卷积，通过连接四个分支的输入来替换第四分支的7X7卷积，生成一种更加适合SAR图像中多尺度船舶检测的轻量级感受2.根据权利要求1所述的基于注意力机制的SAR图像舰船目标识别方法，其特征在于，所述用CA注意力模块与RFB感受野模块来加强MobileNetV3主干网,使用1×3和3×1卷积替换第二分支的3×3卷积、1×5和5×1卷积,3.根据权利要求1所述的基于注意力机制的SAR图像舰船目标识别方法，其特征在于，所述采用自顶向下的特征金字塔设计方案来提取包含语义和空间信息的多尺度显著特征经过感受野增强后的特征将输入到FSSD网络中的小型特征,其中F表融合后的特征，R代表RFB感受野模块的操作，upsample代表上采样操作，3自顶向下的通道结构：采用金字塔结构来提取包含语义和空间信息的多尺度显著特特征金字塔由自顶向下的通路、CA注意力模块以及稠密连接在自顶向下的特征金字塔结构中，网络能够通过对高层特CA注意力模块被放置在不同尺度的特征图之间以突出特定稠密连接：采用基于稠密连接的金字塔结构来获取更多空间接合并融合特征图和自顶向下路径中具有相同空间大集成了主干网中多层次无模糊的全局融合特征和自顶向下网络个最终拼接的特征映射上添加一个3x3的卷积层以减轻上采样的混叠效应，同时将通道的,其中F代表融合后的特征，A代表CA注意力模块的操作，upsample代表上采样操作，将融合的特征映射提供给检测头部网络以进4.根据权利要求1所述的基于注意力机制的SAR图像舰船目标识别方法，其特征在于，所述在不同尺度的特征图之间组合使用稠密连接和横向拼接来融合无模糊全局特征和显MobileNetV3使用轻量级注意力模块的结构组合来构建最有效的层结构，并且引入了。4[0001]本发明涉及合成孔径雷达技术，具体涉及一种基于注意力机制的SAR图像舰船目[0002]合成孔径雷达(SyntheticApertureRadar,简称为SAR)是一种高分辨率成像雷中难点在于特征提取与特征选择。一方面人工设计和选取的特征是一件费时费力的方法，[0005]传统的SAR图像舰船检测方法主要集中于舰船目标和舰船尾迹的检测。由于船舶5检测算法大多采用端到端的方式将SAR图像发送到CNN进行检测，直接输出船舶检测结果，有人提出了SSD组合转移学习。有人提出了一种改进的fasterR_CNN方法来进行舰船检测SSD特征图中的舰船语义信息进行聚合可以提高近岸舰由于SSDD数据集只有1160张照片2456个训练样本，两个单阶段检测模型在SAR舰船目标识[0014]本发明的主要目的在于提供一种基于孪生神经网络的小样本SAR目标识别方法，在于基于FSSD网络来实现SAR图像舰船目标检测任务，并在此基础上引进更加轻量级的网对网络结构进行改进，以解决SAR图像舰船目标检测任务中对多尺度舰船识别率不高以及6[0017]采用自顶向下的特征金字塔设计方案来提取包含语义和空间信息的多尺度显著[0018]在不同尺度的特征图之间组合使用稠密连接和横向拼接来融合无模糊全局特征[0020]在原来三个分支的基础上添加了一个膨胀率为7的空洞卷积，通过连接四个分支适合SAR图像中多尺度船舶检测的轻量级感受野)7[0035]其中F代表融合后的特征，R代表RFB感受野模块的操作，Upsample代表上采样操02通道注意力和空间注意力来提高输入特征图的特征[0042]集成了主干网中多层次无模糊的全局融合特征和自顶向在每个最终拼接的特征映射上添加一个3x3的卷积层以减轻上采样的混叠效应，同时将通232[0049]MobileNetV3使用轻量级注意力模块的结构组合来构建最有效的层结构，并且引计算得到：[0053]本发明基于FSSD神经网络，本发明提出ASSD网络来更好地满足SAR舰船目标识别8提高了117％和5.11但模型参数量仅仅只有[0056](3)采用了自顶向下的特征金字塔设计方案来提取包含语义和空间信息的多尺度显著特征并有效地增加整个网络的空间和语义信息，相较于原始自底向上的特征金字塔，[0058]合无模糊全局特征和显著局部特征，并加入CA注意力模块来自适应地细化特征在略微增加模型参数和检测速度的前提下提升了约5.33[0066]图6是本发明的尺度特征图使用注意力机制图((a)是相同尺度特征图使用注意力[0074]注意力机制能够帮助目标检测模型将注意力转移到图像最重要的区域并忽略不9[0075]与大部分计算昂贵的非本地或自我注意力模块的方法不同，CA(Coordinate分为两个独立的张量和另外两个1×1卷积变换Fh[0089]y(i,)=x。(i,)xgi)xg"()[0092]SSD与FSSD网络无法有效地聚焦于小型舰船目标的一个重要原因是在牺牲部分精近的一些工作(例如DSSD网络和RetinaNet)支卷积层和尾部空洞池或卷积层。前一部分与Inception模块相似，负责模拟多个尺寸的模拟人类视觉皮层中pRFs的离心率影响。图3展示了多分支卷积层和空洞池或卷积层的两[0099]为了更好地提高网络模型对SAR图像中多尺度舰船目标的检测精度，本发明对原[0100]本发明在原来三个分支的基础上添加了一个膨胀率为7的空洞卷积。通过连接四成了一种更加适合SAR图像中多尺度船舶检测的轻量级感受野增)[0113]SSD网络通过在多尺度特征图上分别进行检测的方式实现了多尺度目标的检测，[0114]因此本发明引入FPN网络的思想来构建自顶向下的特征金字塔，并引入与DenseNet相似的稠密连接来提高整个特征金字塔的语义信息，以增强SAR舰船目标识别中中的小型舰船目标。经过感受野增强后的特征将输入到FSSD网络中的小型特征融合模块，[0117]其中F代表融合后的特征，R代表RFB感受野模块的操作，Upsample代表上采样操0]则代表特征拼接操作。比较之下，本发明提出的方法将注意力模块嵌入FPN中以构建特征金字塔，如图6中(b)所的特征图中减少高级别特征图中的无关特征，这能让网络关注特定尺度中更重要的特征，不同尺度的特征图以进行多尺度船舶检测，但它缺乏特定尺度下的自适应特征选择过程。计算过程由下面两个公式得到：2这使得FSSD网络中的轻型特征融合模块需要将通道数为2048的特征降维至512，这将会导[0129]为了改进网络规模问题，本发明引进新一代全新架构的轻量级网络MobileNetV3[0130]深度可分离卷积：MobileNetV1引入了深度可分离卷积作为传统卷积层的有效替j+dj)[0142]除此之外，为了让MobileNetV3更加契合SAR舰船目标识别的任务，本发明在[0146]其中CA表示该块中是否存在CA注意力模块。NL表示所使用下非线性激活函数类使用的模型在应对多而密集的舰船目标仍然能够保持非常高的精确度，而对于近岸目标，本模型也能够很好地辨别出形状相似的混淆目标并精确地标识出近岸的舰船目标。在SAR舰船检测数据集(SSDD)上进行的实验结果表明，该方法能够达到171.86FPS的检测速度和