CN119048820B 基于偽sar艦船自適應(yīng)目標(biāo)分類(lèi)方法、存儲(chǔ)介質(zhì)及計(jì)算機(jī)程序產(chǎn)品 （西南交通大學(xué)）

NEURALNETWORKFORSMALL-SCALESHIP基于偽SAR艦船自適應(yīng)目標(biāo)分類(lèi)方法、存儲(chǔ)本發(fā)明公開(kāi)了一種基于偽SAR艦船自適應(yīng)目決SAR艦船目標(biāo)分類(lèi)過(guò)程中，常見(jiàn)分類(lèi)網(wǎng)絡(luò)在小樣本SAR圖像上表現(xiàn)不佳的問(wèn)題。本發(fā)明包括對(duì)真實(shí)高分辨率SAR數(shù)據(jù)集和對(duì)應(yīng)生成的低分辨率接SRGAN特征編碼器和特征解碼器的嵌套殘差連接模塊并與鑒別器構(gòu)成RIR_GAN網(wǎng)絡(luò)通過(guò)預(yù)處理得到SAR艦船圖像進(jìn)行訓(xùn)練，并利用訓(xùn)練好的RIR_GAN網(wǎng)絡(luò)生成待轉(zhuǎn)換的低分辨率SAR艦船圖像的偽高分辨率SAR圖像輸入構(gòu)建的卷積密集連接網(wǎng)絡(luò)SD_Net進(jìn)行特征提取，進(jìn)行偽高分辨率2S1、對(duì)目標(biāo)域高分辨率SAR數(shù)據(jù)集中的SAR艦船圖像和對(duì)應(yīng)目標(biāo)域高分辨率SAR數(shù)據(jù)集生成的源域低分辨率SAR數(shù)據(jù)集中的SAR艦船S2、基于SRGAN特征編碼器和特征解碼器構(gòu)建連接特征編碼器和特征解碼器的嵌套殘所述嵌套殘差連接模塊包括依次相連接的9*9的Conv層、五個(gè)CRISR模每個(gè)CRISR模塊包括依次相連接的第一通道提取模塊、CA_IR塊、第BB瓶頸塊包括依次相連接的卷積核大小為3*3的Conv層和塊和通道注意力層CALayer，3*3的Conv層的輸入與通道注意力層CALayer的輸出進(jìn)行通道據(jù)集中的SAR艦船圖像同時(shí)輸入RIR_GAN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用訓(xùn)練好的RIR_GAN網(wǎng)絡(luò)生成待轉(zhuǎn)換的低分辨率SAR艦船圖像的偽高分2.根據(jù)權(quán)利要求1所述的一種基于偽SAR艦的SAR艦船圖像相配對(duì)，高分辨率的SAR艦船圖像作為目標(biāo)域的SAR艦船圖像構(gòu)建目標(biāo)域高S1.2、對(duì)獲取的目標(biāo)域高分辨率SAR數(shù)據(jù)集中的各SAR艦船圖像中心裁剪為128*128大3.根據(jù)權(quán)利要求1所述的一種基于偽SAR艦船自通道提取模塊和第二通道提取模塊包括依次相連接的一個(gè)1*1的Conv層、實(shí)例歸一化層和所述通道注意力層CALayer包括并行的平均池化層和最大池化層，分別與平均池化層3所述空間注意力層SALayer包括依次相連接的最大池化層和平均池化層，對(duì)平均池化4.根據(jù)權(quán)利要求3所述的基于偽SAR艦船自適應(yīng)目標(biāo)分類(lèi)方法，GAN網(wǎng)絡(luò)中嵌套殘差連接生成器網(wǎng)絡(luò)模型和鑒別器的博弈形5.根據(jù)權(quán)利要求1所述的一種基于偽SAR第一密集連接模塊DM、第二密集連接模塊DM、第三密集連接模塊第一殘差分離卷積模塊SCR、第二殘差分離卷積模塊SCR和第三殘差分離卷積模塊SCR包括步長(zhǎng)為2的分離卷積模塊S_Conv，與分離卷積模塊S_Conv通過(guò)殘差連接的特征提取池分離卷積模塊S_Conv包括依次相連接的批量歸一化層、激活函數(shù)層、逐通道卷積層池化模塊包括依次相連接的批量歸一化層、激活函數(shù)層、平均池化層和Flatten操作4[0002]SAR與光學(xué)傳感器是當(dāng)前使用最多的對(duì)地觀測(cè)設(shè)備，它們所產(chǎn)生的影像資料是實(shí)的SAR樣本擴(kuò)展方法雖然沒(méi)有破壞原始SAR樣本的有效信息，但只實(shí)現(xiàn)了原始SAR樣本大部5[0011]在數(shù)據(jù)生成方面，目前有研究者使用與目標(biāo)域訓(xùn)練數(shù)據(jù)集相同域的數(shù)據(jù)來(lái)訓(xùn)練[0020]4.目前SAR艦船識(shí)別領(lǐng)域缺乏結(jié)合具有數(shù)量?jī)?yōu)勢(shì)的低分辨率數(shù)據(jù)集和具有SAR艦6[0021]本發(fā)明的目的在于提供一種基于偽SAR艦船自適應(yīng)目標(biāo)分類(lèi)方法、存儲(chǔ)介質(zhì)及計(jì)前開(kāi)源的超分重建網(wǎng)絡(luò)無(wú)法直接適用于SAR圖像超分辨率重建任務(wù)，會(huì)造成圖像重建模糊適應(yīng)方法在提取SAR圖像特征仍缺乏深度挖掘豐富信息的能力，同時(shí)這類(lèi)方法網(wǎng)絡(luò)參數(shù)冗勢(shì)的低分辨率數(shù)據(jù)集和具有SAR艦船圖像特點(diǎn)的域自適應(yīng)網(wǎng)絡(luò)來(lái)實(shí)[0024]S1、對(duì)目標(biāo)域高分辨率SAR數(shù)據(jù)集中的SAR艦船圖像和對(duì)應(yīng)目標(biāo)域高分辨率SAR數(shù)據(jù)集生成的源域低分辨率SAR數(shù)據(jù)集中的SAR艦[0025]S2、基于SRGAN特征編碼器和特征解碼器構(gòu)建連接特征編碼器和特征解碼器的嵌生成待轉(zhuǎn)換的低分辨率SAR艦船圖像的偽辨率的SAR艦船圖像相配對(duì)，高分辨率的SAR艦船圖像作為目標(biāo)域的SAR艦船圖像構(gòu)建目標(biāo)[0030]S1.2、對(duì)獲取的目標(biāo)域高分辨率SAR數(shù)據(jù)集中的各SAR艦船圖像中心裁剪為128*[0034]上采樣層US包括依次相連接的3*3的Conv層、像素重排層PixelShuffle和激活函7[0036]第一通道提取模塊和第二通道提取模塊包括依次相連接的一個(gè)1*1的Conv層、實(shí)[0038]所述通道注意力層CALayer包括并行的平均池化層和最大池化層，分別與平均池[0039]所述空間注意力層SALayer包括依次相連接的最大池化層和平均池化層，對(duì)平均將空間注意力圖與輸入特征圖逐元素相乘的結(jié)果輸[0040]進(jìn)一步，所述RIR_GAN網(wǎng)絡(luò)中嵌套殘差連接生成器網(wǎng)絡(luò)模型和鑒別器的博弈形式生成的高分辨率的SAR艦船圖像更接近真實(shí)的高分辨率的SAR艦船圖像,生成器帶有參數(shù)鑒別器帶有參數(shù),它的輸入是生成的高分辨率的SAR艦船圖像，輸出是該圖像為8[0051]一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有實(shí)現(xiàn)一種基于偽SAR艦船自適應(yīng)目標(biāo)分類(lèi)方法[0052]一種計(jì)算機(jī)程序產(chǎn)品，包括實(shí)現(xiàn)一種基于偽SAR艦船自適應(yīng)目標(biāo)分類(lèi)方法的計(jì)算[0055]二、本發(fā)明中的RIR_GAN網(wǎng)絡(luò)生成的偽高分辨SAR圖像的特征與真實(shí)的高分辨率能有效避免圖像重建模糊以及高頻細(xì)節(jié)信息關(guān)注[0057]四、本發(fā)明基于RIR_GAN網(wǎng)絡(luò)與分離卷積密集連接網(wǎng)絡(luò)SD_Net的小樣本目標(biāo)分類(lèi)9[0063]圖5是本發(fā)明中分類(lèi)網(wǎng)絡(luò)部分用于特征提取的卷積密集連接網(wǎng)絡(luò)SD_Net的結(jié)構(gòu)[0066]圖8是本發(fā)明中SD_Net與其他流行網(wǎng)絡(luò)的參數(shù)比較，直觀地顯示了每個(gè)骨干網(wǎng)的[0071]S1、對(duì)目標(biāo)域高分辨率SAR數(shù)據(jù)集中的SAR艦船圖像和對(duì)應(yīng)目標(biāo)域高分辨率SAR數(shù)集中的低分辨率的SAR艦船圖像與高分辨率的SAR艦船圖像相配對(duì)，高分辨率的SAR艦船圖像作為目標(biāo)域的SAR艦船圖像構(gòu)建目標(biāo)域高分辨率SAR數(shù)[0073]S1.2、對(duì)獲取的目標(biāo)域高分辨率SAR數(shù)據(jù)集中的各SAR艦船圖像中心裁剪為128*嵌套殘差連接生成器網(wǎng)絡(luò)模型；即基于SRGAN特征編碼器和特征解碼器構(gòu)建連接特征編碼第一個(gè)9*9的Conv層的輸出與BB瓶頸塊的輸出進(jìn)行加操作后作為第一個(gè)上采樣層US的輸塊和通道注意力層CALayer，3*3的Conv層的輸入與通道注意力層CALayer的輸出進(jìn)行通道的Conv層、實(shí)例歸一化層和激活函數(shù)層；分離卷積模塊包括依次相連接的逐通道卷積層通道注意力層CALayer包括并行的平均池化層和最大池化層，分別與平均池化層和最大池[0077]CRISR模塊是本發(fā)明設(shè)計(jì)的具有IN方法的嵌套殘差模塊，該模塊在空間注意力殘過(guò)第一個(gè)CRISR模塊之前的特征圖將與經(jīng)過(guò)BB瓶頸層之后的特征圖做加和操作，即其第一個(gè)9*9的Conv層的輸出與BB瓶頸塊的輸出進(jìn)行加操作后作為第一個(gè)上采樣層US的輸入，以使用CRISR模塊中的歸一化層對(duì)數(shù)據(jù)進(jìn)行實(shí)本實(shí)驗(yàn)將"設(shè)為2。信息的注意。隨后繼續(xù)使用通道提取模塊將通道數(shù)量縮減為1/2，并在后續(xù)空間注意力層[0081]通道注意力層CALayer中同時(shí)使用平均池化和最大池化操作來(lái)聚合特征圖的通道隱藏層的多層感知器組成的共享網(wǎng)絡(luò)以產(chǎn)生通道注意力映射征r'。[0082]空間注意力層SALayer中使用特征的空間關(guān)系來(lái)生成空間注意力圖。該層首先沿通道軸方向應(yīng)用平均池化和最大池化以有效突出輸入特征圖的信息區(qū)域，接著將二者的[0083]CRISR模塊通過(guò)先后運(yùn)用通道和位置注意力機(jī)制，自適應(yīng)地細(xì)化特征轉(zhuǎn)換器提取的中間特征圖，在實(shí)現(xiàn)定位艦船主體特征功能的同時(shí)保持了嵌套殘差連接的網(wǎng)絡(luò)參數(shù)數(shù)[0084]所述RIR_GAN網(wǎng)絡(luò)中嵌套殘差連接生成器網(wǎng)絡(luò)模型和鑒別器的博弈形式的表達(dá)生成的高分辨率的SAR艦船圖像更接近真實(shí)的高分辨率的SAR艦船圖像,生成器帶有參數(shù)鑒別器帶有參數(shù),它的輸入是生成的高分辨率的SAR艦船圖像，輸出是該圖像為生成待轉(zhuǎn)換的低分辨率SAR艦船圖像的偽[0089]預(yù)處理后的源域低分辨率數(shù)據(jù)集中的SAR艦船圖像和目標(biāo)域高分辨率SAR數(shù)據(jù)集套殘差連接轉(zhuǎn)換器進(jìn)行特征轉(zhuǎn)換—通過(guò)特征解碼器進(jìn)行[0092]得到偽高分辨率SAR圖像擴(kuò)充目標(biāo)域SAR數(shù)據(jù)集，并基于擴(kuò)充后的目標(biāo)域SAR數(shù)據(jù)集訓(xùn)練SD_Net進(jìn)行待分類(lèi)SAR艦船圖像中的高分辨率SAR圖像中的偽SAR艦船自適應(yīng)目標(biāo)分類(lèi)。卷積密集連接網(wǎng)絡(luò)SD_Net在該骨干網(wǎng)池化層下采樣特征映射時(shí)的分辨率損失問(wèn)題。殘差結(jié)構(gòu)中的1*1卷積運(yùn)算保留了更多的細(xì)塊DS包括依次相連接的Conv2卷積層、批量歸一化層、激活函數(shù)層和最大池化層，其中，第一個(gè)批量歸一化層的輸入與第二個(gè)Conv1卷積層的輸出相拼接操作結(jié)果作為各密集連接[0095]3×256×256大小輸入圖像，進(jìn)入卷積密集連接網(wǎng)絡(luò)SD_Net特征提取網(wǎng)絡(luò)后:首數(shù)由原來(lái)的3個(gè)通道變?yōu)?4個(gè)通道。下采樣模塊中的Conv2卷積層表示一個(gè)常見(jiàn)的卷積操8的平均池化層后變換為大小為1024×1×1的特征圖，并通過(guò)Flatten操作層的Flatten操[0099]為了進(jìn)一步驗(yàn)證本發(fā)明在基于艦船低分辨率圖像LR到高分辨率圖像HR生成過(guò)程占用和識(shí)別性能與基線網(wǎng)絡(luò)DenseNet121進(jìn)行比較，并使用準(zhǔn)確率指標(biāo)評(píng)價(jià)網(wǎng)絡(luò)特征提取實(shí)現(xiàn)了精度的提升，證明了本發(fā)明生成的偽SAR域?qū)鉀QSAR艦船ATR深度學(xué)習(xí)網(wǎng)絡(luò)模型有[0101]本發(fā)明基于著名的圖像超分辨率重建網(wǎng)絡(luò)RIR_GAN公開(kāi)了一種更適用于艦船LR2HR遷移任務(wù)的新網(wǎng)絡(luò)RIR_GAN。利用CRISR設(shè)計(jì)解決了超分辨率重建中對(duì)高頻細(xì)節(jié)信息訓(xùn)練好的RIR_GAN網(wǎng)絡(luò)生成偽SAR圖像，構(gòu)建偽高分辨率SAR域驅(qū)動(dòng)SAR