CN119048820B 基于伪sar舰船自适应目标分类方法、存储介质及计算机程序产品 （西南交通大学）

NEURALNETWORKFORSMALL-SCALESHIP基于伪SAR舰船自适应目标分类方法、存储本发明公开了一种基于伪SAR舰船自适应目决SAR舰船目标分类过程中，常见分类网络在小样本SAR图像上表现不佳的问题。本发明包括对真实高分辨率SAR数据集和对应生成的低分辨率接SRGAN特征编码器和特征解码器的嵌套残差连接模块并与鉴别器构成RIR_GAN网络通过预处理得到SAR舰船图像进行训练，并利用训练好的RIR_GAN网络生成待转换的低分辨率SAR舰船图像的伪高分辨率SAR图像输入构建的卷积密集连接网络SD_Net进行特征提取，进行伪高分辨率2S1、对目标域高分辨率SAR数据集中的SAR舰船图像和对应目标域高分辨率SAR数据集生成的源域低分辨率SAR数据集中的SAR舰船S2、基于SRGAN特征编码器和特征解码器构建连接特征编码器和特征解码器的嵌套残所述嵌套残差连接模块包括依次相连接的9*9的Conv层、五个CRISR模每个CRISR模块包括依次相连接的第一通道提取模块、CA_IR块、第BB瓶颈块包括依次相连接的卷积核大小为3*3的Conv层和块和通道注意力层CALayer，3*3的Conv层的输入与通道注意力层CALayer的输出进行通道据集中的SAR舰船图像同时输入RIR_GAN网络进行训练，并利用训练好的RIR_GAN网络生成待转换的低分辨率SAR舰船图像的伪高分2.根据权利要求1所述的一种基于伪SAR舰的SAR舰船图像相配对，高分辨率的SAR舰船图像作为目标域的SAR舰船图像构建目标域高S1.2、对获取的目标域高分辨率SAR数据集中的各SAR舰船图像中心裁剪为128*128大3.根据权利要求1所述的一种基于伪SAR舰船自通道提取模块和第二通道提取模块包括依次相连接的一个1*1的Conv层、实例归一化层和所述通道注意力层CALayer包括并行的平均池化层和最大池化层，分别与平均池化层3所述空间注意力层SALayer包括依次相连接的最大池化层和平均池化层，对平均池化4.根据权利要求3所述的基于伪SAR舰船自适应目标分类方法，GAN网络中嵌套残差连接生成器网络模型和鉴别器的博弈形5.根据权利要求1所述的一种基于伪SAR第一密集连接模块DM、第二密集连接模块DM、第三密集连接模块第一残差分离卷积模块SCR、第二残差分离卷积模块SCR和第三残差分离卷积模块SCR包括步长为2的分离卷积模块S_Conv，与分离卷积模块S_Conv通过残差连接的特征提取池分离卷积模块S_Conv包括依次相连接的批量归一化层、激活函数层、逐通道卷积层池化模块包括依次相连接的批量归一化层、激活函数层、平均池化层和Flatten操作4[0002]SAR与光学传感器是当前使用最多的对地观测设备，它们所产生的影像资料是实的SAR样本扩展方法虽然没有破坏原始SAR样本的有效信息，但只实现了原始SAR样本大部5[0011]在数据生成方面，目前有研究者使用与目标域训练数据集相同域的数据来训练[0020]4.目前SAR舰船识别领域缺乏结合具有数量优势的低分辨率数据集和具有SAR舰6[0021]本发明的目的在于提供一种基于伪SAR舰船自适应目标分类方法、存储介质及计前开源的超分重建网络无法直接适用于SAR图像超分辨率重建任务，会造成图像重建模糊适应方法在提取SAR图像特征仍缺乏深度挖掘丰富信息的能力，同时这类方法网络参数冗势的低分辨率数据集和具有SAR舰船图像特点的域自适应网络来实[0024]S1、对目标域高分辨率SAR数据集中的SAR舰船图像和对应目标域高分辨率SAR数据集生成的源域低分辨率SAR数据集中的SAR舰[0025]S2、基于SRGAN特征编码器和特征解码器构建连接特征编码器和特征解码器的嵌生成待转换的低分辨率SAR舰船图像的伪辨率的SAR舰船图像相配对，高分辨率的SAR舰船图像作为目标域的SAR舰船图像构建目标[0030]S1.2、对获取的目标域高分辨率SAR数据集中的各SAR舰船图像中心裁剪为128*[0034]上采样层US包括依次相连接的3*3的Conv层、像素重排层PixelShuffle和激活函7[0036]第一通道提取模块和第二通道提取模块包括依次相连接的一个1*1的Conv层、实[0038]所述通道注意力层CALayer包括并行的平均池化层和最大池化层，分别与平均池[0039]所述空间注意力层SALayer包括依次相连接的最大池化层和平均池化层，对平均将空间注意力图与输入特征图逐元素相乘的结果输[0040]进一步，所述RIR_GAN网络中嵌套残差连接生成器网络模型和鉴别器的博弈形式生成的高分辨率的SAR舰船图像更接近真实的高分辨率的SAR舰船图像,生成器带有参数鉴别器带有参数,它的输入是生成的高分辨率的SAR舰船图像，输出是该图像为8[0051]一种计算机可读存储介质，存储有实现一种基于伪SAR舰船自适应目标分类方法[0052]一种计算机程序产品，包括实现一种基于伪SAR舰船自适应目标分类方法的计算[0055]二、本发明中的RIR_GAN网络生成的伪高分辨SAR图像的特征与真实的高分辨率能有效避免图像重建模糊以及高频细节信息关注[0057]四、本发明基于RIR_GAN网络与分离卷积密集连接网络SD_Net的小样本目标分类9[0063]图5是本发明中分类网络部分用于特征提取的卷积密集连接网络SD_Net的结构[0066]图8是本发明中SD_Net与其他流行网络的参数比较，直观地显示了每个骨干网的[0071]S1、对目标域高分辨率SAR数据集中的SAR舰船图像和对应目标域高分辨率SAR数集中的低分辨率的SAR舰船图像与高分辨率的SAR舰船图像相配对，高分辨率的SAR舰船图像作为目标域的SAR舰船图像构建目标域高分辨率SAR数[0073]S1.2、对获取的目标域高分辨率SAR数据集中的各SAR舰船图像中心裁剪为128*嵌套残差连接生成器网络模型；即基于SRGAN特征编码器和特征解码器构建连接特征编码第一个9*9的Conv层的输出与BB瓶颈块的输出进行加操作后作为第一个上采样层US的输块和通道注意力层CALayer，3*3的Conv层的输入与通道注意力层CALayer的输出进行通道的Conv层、实例归一化层和激活函数层；分离卷积模块包括依次相连接的逐通道卷积层通道注意力层CALayer包括并行的平均池化层和最大池化层，分别与平均池化层和最大池[0077]CRISR模块是本发明设计的具有IN方法的嵌套残差模块，该模块在空间注意力残过第一个CRISR模块之前的特征图将与经过BB瓶颈层之后的特征图做加和操作，即其第一个9*9的Conv层的输出与BB瓶颈块的输出进行加操作后作为第一个上采样层US的输入，以使用CRISR模块中的归一化层对数据进行实本实验将"设为2。信息的注意。随后继续使用通道提取模块将通道数量缩减为1/2，并在后续空间注意力层[0081]通道注意力层CALayer中同时使用平均池化和最大池化操作来聚合特征图的通道隐藏层的多层感知器组成的共享网络以产生通道注意力映射征r'。[0082]空间注意力层SALayer中使用特征的空间关系来生成空间注意力图。该层首先沿通道轴方向应用平均池化和最大池化以有效突出输入特征图的信息区域，接着将二者的[0083]CRISR模块通过先后运用通道和位置注意力机制，自适应地细化特征转换器提取的中间特征图，在实现定位舰船主体特征功能的同时保持了嵌套残差连接的网络参数数[0084]所述RIR_GAN网络中嵌套残差连接生成器网络模型和鉴别器的博弈形式的表达生成的高分辨率的SAR舰船图像更接近真实的高分辨率的SAR舰船图像,生成器带有参数鉴别器带有参数,它的输入是生成的高分辨率的SAR舰船图像，输出是该图像为生成待转换的低分辨率SAR舰船图像的伪[0089]预处理后的源域低分辨率数据集中的SAR舰船图像和目标域高分辨率SAR数据集套残差连接转换器进行特征转换—通过特征解码器进行[0092]得到伪高分辨率SAR图像扩充目标域SAR数据集，并基于扩充后的目标域SAR数据集训练SD_Net进行待分类SAR舰船图像中的高分辨率SAR图像中的伪SAR舰船自适应目标分类。卷积密集连接网络SD_Net在该骨干网池化层下采样特征映射时的分辨率损失问题。残差结构中的1*1卷积运算保留了更多的细块DS包括依次相连接的Conv2卷积层、批量归一化层、激活函数层和最大池化层，其中，第一个批量归一化层的输入与第二个Conv1卷积层的输出相拼接操作结果作为各密集连接[0095]3×256×256大小输入图像，进入卷积密集连接网络SD_Net特征提取网络后:首数由原来的3个通道变为64个通道。下采样模块中的Conv2卷积层表示一个常见的卷积操8的平均池化层后变换为大小为1024×1×1的特征图，并通过Flatten操作层的Flatten操[0099]为了进一步验证本发明在基于舰船低分辨率图像LR到高分辨率图像HR生成过程占用和识别性能与基线网络DenseNet121进行比较，并使用准确率指标评价网络特征提取实现了精度的提升，证明了本发明生成的伪SAR域对解决SAR舰船ATR深度学习网络模型有[0101]本发明基于著名的图像超分辨率重建网络RIR_GAN公开了一种更适用于舰船LR2HR迁移任务的新网络RIR_GAN。利用CRISR设计解决了超分辨率重建中对高频细节信息训练好的RIR_GAN网络生成伪SAR图像，构建伪高分辨率SAR域驱动SAR