CN110751061B - 基于sar网络的sar图像识别方法、装置、设备和存储介质 - Google Patents

基于sar网络的sar图像识别方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN110751061B
CN110751061B CN201910933327.7A CN201910933327A CN110751061B CN 110751061 B CN110751061 B CN 110751061B CN 201910933327 A CN201910933327 A CN 201910933327A CN 110751061 B CN110751061 B CN 110751061B
Authority
CN
China
Prior art keywords
feature
sar
sar image
training
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910933327.7A
Other languages
English (en)
Other versions
CN110751061A (zh
Inventor
翟懿奎
邓文博
植一航
柯期锐
周文略
甘俊英
徐颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuyi University
Original Assignee
Wuyi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuyi University filed Critical Wuyi University
Priority to CN201910933327.7A priority Critical patent/CN110751061B/zh
Publication of CN110751061A publication Critical patent/CN110751061A/zh
Application granted granted Critical
Publication of CN110751061B publication Critical patent/CN110751061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开基于SAR网络的SAR图像识别方法、装置、设备和存储介质，包括：对SAR网络模型进行特征提取器预训练和元迁移学习复训练；输入SAR样本图像训练网络参数；输入待测SAR图像进行预处理，获得64通道56×56特征图；经过三个残差模块提取特征和平均池化操作，获得1×1特征图，三个残差模块的输入保存为第一特征、第二特征和第三特征；使用SE块通道注意力操作，映射成7×7特征图；进行三次上采样操作，三次输出依次与第一特征、第二特征和第三特征进行特征级联，分别存为第四特征、第五特征和第六特征，输出56×56特征图；经过三个残差块处理，三个输出特征依次与第四特征、第五特征和第六特征级联，并经过平均池化和全连接层的卷积操作得到待测SAR图像对应标签。

Description

基于SAR网络的SAR图像识别方法、装置、设备和存储介质
技术领域
本发明涉及图像识别技术领域，特别涉及一种基于SAR网络的SAR图像识别方法、装置、设备和存储介质。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)成像基本不受光照、气候等自然因素影响，能全天候地在极端自然条件下获得高分辨率雷达图像。随着SAR技术发展，诞生了极化SAR系统，其图像包含更丰富的地物信息，进一步扩大SAR图像的应用领域，在民用及军事领域有重要应用价值。随着应用需求不断增加，SAR图像自动识别的研究越来越受到重视。
SAR图像包含大量特征模糊的小型物体，难以人工进行快速目标分类，所以SAR图像识别算法应能定位包含潜在目标的感兴趣区域，无人工干预地提取目标有用特征，快速识别出目标所属类别。传统的SAR图像识别方法对图像空域和频域进行处理，或者通过特征匹配方法进行分类识别。传统方法将预处理，特征提取，分类器训练作为不同阶段单独实现，数据处理相对复杂，需要较多人工干预。SAR成像不可避免地收到干斑噪声干扰，在实际应用中，图像模糊，局部细节改变，都可能导致传统方法特征匹配失败，影响识别准确率。
与传统SAR图像识别不同，深度学习方法提供端到端的训练、识别，减少了人工干预。卷积神经网络结构，能从训练图像库学习到更加抽象的特征，降低成像噪声干扰，使得识别准确率普遍高于传统方法。但卷积神经网络应用于SAR图像分类时，需要足够多的标记数据作为训练集，现公开的已标记SAR图像较少，导致网络的分类准确率较低。除了训练图像需求大，卷积神经网络还常忽视浅层特征。在提取特征过程中，输入的图像经过一层层网络计算，浅层网络层首先提取出边缘和方向特征，然后随着网络深度增加抽象出形状特征，最后分类器只用抽象特征判断出物体类别。由于SAR图像物体普遍较小，需要更多局部细节信息辅助识别，最后的抽象特征缺乏浅层特征的局部细节信息，影响识别精度。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于SAR网络的SAR图像识别方法、装置、设备和存储介质，以较少的原始图像做训练集，利用浅层特征和深层特征互相细化，提高对不同类型目标的识别率。
根据本发明的第一方面实施例的一种基于SAR网络的SAR图像识别方法，包括以下步骤：
对SAR网络模型进行特征提取器预训练和元迁移学习复训练；
将SAR样本图像输入至所述SAR网络模型中，训练用于SAR图像识别的网络参数；
利用训练好的所述SAR网络模型，输入待测SAR图像进行预处理，获得64通道56×56的特征图；
将所述64通道56×56的特征图经过三个残差模块提取特征，以及平均池化操作，获得1×1的特征图，其中三个所述残差模块的输入分别保存为第一特征、第二特征和第三特征；
使用SE块通道注意力操作，将所述1×1的特征图映射成7×7的特征图；
将所述7×7的特征图进行三次上采样操作，三次的输出依次与所述第一特征、所述第二特征和所述第三特征进行特征级联，分别保存为第四特征、第五特征和第六特征，并且输出56×56的特征图；
将所述56×56的特征图经过三个残差块处理，三个所述残差块的输出特征依次与所述第四特征、所述第五特征和所述第六特征级联，并经过平均池化和全连接层的卷积操作得到所述待测SAR图像的对应标签。
根据本发明实施例的一种基于SAR网络的SAR图像识别方法，至少具有如下有益效果：本发明中的元迁移学习复训练只训练Scaling(缩放)和shifting(平移)参数，不改变特征提取器参数，大大减少训练参数量，缩短训练时间和测试时间。本发明能够以较少的原始图像做训练集，利用浅层特征和深层特征互相细化，提高对不同类型目标的识别率。
根据本发明的一些实施例，所述对SAR网络模型进行特征提取器预训练和元迁移学习复训练包括：所述元迁移学习复训练只训练缩放参数和平移参数，不改变特征提取器参数。
根据本发明的一些实施例，所述利用训练好的所述SAR网络模型，输入待测SAR图像进行预处理，获得64通道56×56的特征图包括：输入64×64的灰度的待测SAR图像，经过三层3×3卷积层和一层池化层计算，获得所述64通道56×56的特征图。
根据本发明的一些实施例，所述将所述7×7的特征图进行三次上采样操作，三次的输出依次与所述第一特征、所述第二特征和所述第三特征进行特征级联，分别保存为第四特征、第五特征和第六特征，并且输出56×56的特征图包括：三次所述上采样操作使用邻近插值。
根据本发明的第二方面实施例的一种基于SAR网络的SAR图像识别装置，包括：
模型第一训练单元，用于对SAR网络模型进行特征提取器预训练和元迁移学习复训练；
模型第二训练单元，用于将SAR样本图像输入至所述SAR网络模型中，训练用于SAR图像识别的网络参数；
识别第一阶段单元，用于利用训练好的所述SAR网络模型，输入待测SAR图像进行预处理，获得64通道56×56的特征图；
识别第二阶段单元，用于将所述64通道56×56的特征图经过三个残差模块提取特征，以及平均池化操作，获得1×1的特征图，其中三个所述残差模块的输入分别保存为第一特征、第二特征和第三特征；
识别过渡阶段单元，用于使用SE块通道注意力操作，将所述1×1的特征图映射成7×7的特征图；
识别第三阶段单元，用于将所述7×7的特征图进行三次上采样操作，三次的输出依次与所述第一特征、所述第二特征和所述第三特征进行特征级联，分别保存为第四特征、第五特征和第六特征，并且输出56×56的特征图；
识别第四阶段单元，用于将所述56×56的特征图经过三个残差块处理，三个所述残差块的输出特征依次与所述第四特征、所述第五特征和所述第六特征级联，并经过平均池化和全连接层的卷积操作得到所述待测SAR图像的对应标签。
根据本发明的第三方面实施例的一种基于SAR网络的SAR图像识别设备，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述第一方面的基于SAR网络的SAR图像识别方法。
根据本发明的第四方面实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述第一方面的基于SAR网络的SAR图像识别方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例的基于SAR网络的SAR图像识别方法的流程图；
图2为本发明实施例的基于SAR网络的SAR图像识别方法中所采用的SAR网络模型的架构图；
图3为本发明实施例的基于SAR网络的SAR图像识别方法中所采用的分类器的示意图；
图4为本发明实施例的基于SAR网络的SAR图像识别装置的结构图；
图5为本发明实施例的基于SAR网络的SAR图像识别设备的结构图。
附图标记：
基于SAR网络的SAR图像识别装置100、模型第一训练单元110、模型第二训练单元120、识别第一阶段单元130、识别第二阶段单元140、识别过渡阶段单元150、识别第三阶段单元160、识别第四阶段单元170；
基于SAR网络的SAR图像识别设备200、控制处理器210、存储器220。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1，根据本发明的第一方面实施例的一种基于SAR网络的SAR图像识别方法，包括以下步骤：
Q1：对SAR网络模型进行特征提取器预训练和元迁移学习复训练；
Q2：将SAR样本图像输入至所述SAR网络模型中，训练用于SAR图像识别的网络参数；
Q3：利用训练好的所述SAR网络模型，输入待测SAR图像进行预处理，获得64通道56×56的特征图；
Q4：将所述64通道56×56的特征图经过三个残差模块提取特征，以及平均池化操作，获得1×1的特征图，其中三个所述残差模块的输入分别保存为第一特征、第二特征和第三特征；
Q5：使用SE块通道注意力操作，将所述1×1的特征图映射成7×7的特征图；
Q6：将所述7×7的特征图进行三次上采样操作，三次的输出依次与所述第一特征、所述第二特征和所述第三特征进行特征级联，分别保存为第四特征、第五特征和第六特征，并且输出56×56的特征图；
Q7：将所述56×56的特征图经过三个残差块处理，三个所述残差块的输出特征依次与所述第四特征、所述第五特征和所述第六特征级联，并经过平均池化和全连接层的卷积操作得到所述待测SAR图像的对应标签。
本发明方法输入是SAR图像，而输出是SAR图像分类的标签。其中，用于分类的SAR网络模型需要经过预训练复训练和小样本SAR图像训练两个训练阶段。在第一阶段，预训练浅层特征提取器和使用元迁移学习复训练Scaling(缩放)和shifting(平移)参数。在第二阶段，将SAR图像输入训练后的SAR网络模型，进一步训练用于SAR图像识别的网络参数。最后利用第二阶段训练好的网络模型，输入待测SAR图像，输出SAR图像的对应标签。其中，第一阶段的元迁移学习复训练只训练Scaling(缩放)和shifting(平移)参数，不改变特征提取器参数，大大减少训练参数量，缩短训练时间和测试时间。本网络将浅层特征和深层特征级联，互相细化，但必须注意特征通道数前后保持一致，需要使用卷积和反卷积进行深浅特征通道数匹配。
本发明实施例的一种基于SAR网络的SAR图像识别方法至少具有如下有益效果：本发明中的元迁移学习复训练只训练Scaling(缩放)和shifting(平移)参数，不改变特征提取器参数，大大减少训练参数量，缩短训练时间和测试时间。本发明能够以较少的原始图像做训练集，利用浅层特征和深层特征互相细化，提高对不同类型目标的识别率。
根据本发明的一些实施例，所述对SAR网络模型进行特征提取器预训练和元迁移学习复训练包括：所述元迁移学习复训练只训练缩放参数和平移参数，不改变特征提取器参数。元迁移学习复训练只训练Scaling(缩放)和shifting(平移)参数，不改变特征提取器参数，大大减少训练参数量，缩短训练时间和测试时间。
根据本发明的一些实施例，所述利用训练好的所述SAR网络模型，输入待测SAR图像进行预处理，获得64通道56×56的特征图包括：输入64×64的灰度的待测SAR图像，经过三层3×3卷积层和一层池化层计算，获得所述64通道56×56的特征图。
根据本发明的一些实施例，所述将所述7×7的特征图进行三次上采样操作，三次的输出依次与所述第一特征、所述第二特征和所述第三特征进行特征级联，分别保存为第四特征、第五特征和第六特征，并且输出56×56的特征图包括：三次所述上采样操作使用邻近插值而不是反卷积。
参照图2，在该方法中，设计了包含残差结构、上下采样操作的神经网络用于SAR图像的分类。该网络分为四个阶段，第一个阶段是预处理，输入灰度的待测SAR图像，大小64×64，以张量(64×64×1)表示。张量先经过三层3×3卷积层和一层最大池化层计算，获得64通道56×56的特征图，第一阶段完成。第二阶段由残差模块组成，特征图经过三个残差模块提取特征，然后使用平均池化操作，最终获得大小1×1的特征图，其中三次残差模块的输入分别保存为第一特征，第二特征和第三特征，用于与后面的特征图进行互相细化，第二阶段完成。第二和第三阶段的过渡使用SE块通道注意力操作，将特征从1x1映射到7x7，作为第三阶段输入。第三阶段对7×7的特征图进行三次上采样操作，三次的输出依次与第一特征，第二特征和第三特征进行特征级联，作为下一层输入，同时也保存为第四特征，第五特征和第六特征。其中上采样使用邻近插值而不是反卷积，最终输出56×56的特征图。第四阶段，上阶段的特征图经过三个残差块处理，每次的输出特征依次与第四特征，第五特征和第六特征级联，作为下一层的输入。最后经过平均池化和全连接层的卷积操作得到1×1的特征图。
对于特征提取器预训练：
使用有标签图像预训练模型，提高对SAR图像识别的准确率。选取64类有标签图像600张，每张大小64×64，组成预训练图像集，此图像集不包含SAR图像，可利用无关领域图像优化网络参数。训练模型前，预训练图像集D又被分为类别数相同的训练集和测试集，数量比例为3：1，即每类目标训练集包含475张图像，测试集每类包含125张图像。特征提取器由SAR网络的卷积层组成，分类器由1层64个输出的全连接层组成。预训练时所有参数的初始化是随机的，使用梯度下降法调整。
Figure BDA0002220927400000081
其中α是学习率，L是经验损失：
Figure BDA0002220927400000082
SAR图像目标数量并不是64类，因此预训练完成后只保留特征提取器的参数，丢弃分类器。此时特征提取器的参数已包含提取特征的经验。
参照图3，对于元迁移学习复训练：
该步骤基于预训练的网络参数进行复训练，利用元操作Scaling和Shifting，减少参数量，降低小样本学习过拟合的风险。初始化阶段，特征提取器的参数与预训练相同并被冻结，即在复训练阶段不再改变。分类器输出通道数设置为与SAR图像目标类别数相同；为每层卷积层设置S1和S2参数，如图3所示。
S1大小是c×n×1×1，初始化全为1，S2大小是1×n×1×1，初始化全为0，其中c为输入通道数，n为卷积核个数。两个参数用于卷积核参数进行线性变化，S1与卷积核的权重直接相乘，S2与卷积核的偏移率参数相加，获得最终的卷积核参数。一个h×w大小的卷积核对应一个1×1的S1和S2参数，使需学习的参数减少到
Figure BDA0002220927400000083
从而减少训练参数量，有效防止参数过拟合。
Figure BDA0002220927400000084
其中，X是特征矩阵，W是卷积核参数矩阵，
Figure BDA0002220927400000091
和
Figure BDA0002220927400000092
是与卷积核相对应的S参数。
训练过程中，每类训练只需少量图像，同样是使用梯度下降法优化分类器：
Figure BDA0002220927400000093
上式中，θ表示分类器，T(tr)是用于优化分类器的图像。
S1和S2参数由检测损失优化，即用原参数Si，减去预测标签与实际标签之间的差值乘于学习率r，得到更新后的Si。
Figure BDA0002220927400000094
其中，γ是学习速率。
参照图4，根据本发明的第二方面实施例的一种基于SAR网络的SAR图像识别装置100，包括：
模型第一训练单元110，用于对SAR网络模型进行特征提取器预训练和元迁移学习复训练；
模型第二训练单元120，用于将SAR样本图像输入至所述SAR网络模型中，训练用于SAR图像识别的网络参数；
识别第一阶段单元130，用于利用训练好的所述SAR网络模型，输入待测SAR图像进行预处理，获得64通道56×56的特征图；
识别第二阶段单元140，用于将所述64通道56×56的特征图经过三个残差模块提取特征，以及平均池化操作，获得1×1的特征图，其中三个所述残差模块的输入分别保存为第一特征、第二特征和第三特征；
识别过渡阶段单元150，用于使用SE块通道注意力操作，将所述1×1的特征图映射成7×7的特征图；
识别第三阶段单元160，用于将所述7×7的特征图进行三次上采样操作，三次的输出依次与所述第一特征、所述第二特征和所述第三特征进行特征级联，分别保存为第四特征、第五特征和第六特征，并且输出56×56的特征图；
识别第四阶段单元170，用于将所述56×56的特征图经过三个残差块处理，三个所述残差块的输出特征依次与所述第四特征、所述第五特征和所述第六特征级联，并经过平均池化和全连接层的卷积操作得到所述待测SAR图像的对应标签。
需要说明的是，由于本实施例中的基于SAR网络的SAR图像识别装置100与上述的基于SAR网络的SAR图像识别方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
参照图5，根据本发明的第三方面实施例的一种基于SAR网络的SAR图像识别设备200，该基于SAR网络的SAR图像识别设备200可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。
具体地，该基于SAR网络的SAR图像识别设备200包括：一个或多个控制处理器210和存储器220，图5中以一个控制处理器210为例。
控制处理器210和存储器220可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器220作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的基于SAR网络的SAR图像识别方法对应的程序指令/模块，例如，图4中所示的单元110-170。控制处理器210通过运行存储在存储器220中的非暂态软件程序、指令以及模块，从而执行基于SAR网络的SAR图像识别装置100的各种功能应用以及数据处理，即实现上述方法实施例的基于SAR网络的SAR图像识别方法。
存储器220可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于SAR网络的SAR图像识别装置100的使用所创建的数据等。此外，存储器220可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器220可选包括相对于控制处理器210远程设置的存储器220，这些远程存储器220可以通过网络连接至该基于SAR网络的SAR图像识别设备200。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器220中，当被所述一个或者多个控制处理器210执行时，执行上述方法实施例中的基于SAR网络的SAR图像识别方法，例如，执行以上描述的图1中的方法步骤Q1至Q7，实现图4中的单元110-170的功能。
根据本发明的第四方面实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器210执行，例如，被图5中的一个控制处理器210执行，可使得上述一个或多个控制处理器210执行上述方法实施例中的基于SAR网络的SAR图像识别方法，例如，执行以上描述的图1中的方法步骤Q1至Q7，实现图4中的单元110-170的功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (7)

1.一种基于SAR网络的SAR图像识别方法，其特征在于，包括以下步骤：
对SAR网络模型进行特征提取器预训练和元迁移学习复训练；
将SAR样本图像输入至所述SAR网络模型中，训练用于SAR图像识别的网络参数；
利用训练好的所述SAR网络模型，输入待测SAR图像进行预处理，获得64通道56×56的特征图；
将所述64通道56×56的特征图经过三个残差模块提取特征，以及平均池化操作，获得1×1的特征图，其中三个所述残差模块的输入分别保存为第一特征、第二特征和第三特征；
使用SE块通道注意力操作，将所述1×1的特征图映射成7×7的特征图；
将所述7×7的特征图进行三次上采样操作，三次的输出依次与所述第一特征、所述第二特征和所述第三特征进行特征级联，分别保存为第四特征、第五特征和第六特征，并且输出56×56的特征图；
将所述56×56的特征图经过三个残差块处理，三个所述残差块的输出特征依次与所述第四特征、所述第五特征和所述第六特征级联，并经过平均池化和全连接层的卷积操作得到所述待测SAR图像的对应标签。
2.根据权利要求1所述的基于SAR网络的SAR图像识别方法，其特征在于，所述对SAR网络模型进行特征提取器预训练和元迁移学习复训练包括：所述元迁移学习复训练只训练缩放参数和平移参数，不改变特征提取器参数。
3.根据权利要求1所述的基于SAR网络的SAR图像识别方法，其特征在于，所述利用训练好的所述SAR网络模型，输入待测SAR图像进行预处理，获得64通道56×56的特征图包括：输入64×64的灰度的待测SAR图像，经过三层3×3卷积层和一层池化层计算，获得所述64通道56×56的特征图。
4.根据权利要求1所述的基于SAR网络的SAR图像识别方法，其特征在于，所述将所述7×7的特征图进行三次上采样操作，三次的输出依次与所述第一特征、所述第二特征和所述第三特征进行特征级联，分别保存为第四特征、第五特征和第六特征，并且输出56×56的特征图包括：三次所述上采样操作使用邻近插值。
5.一种基于SAR网络的SAR图像识别装置，其特征在于，包括：
模型第一训练单元，用于对SAR网络模型进行特征提取器预训练和元迁移学习复训练；
模型第二训练单元，用于将SAR样本图像输入至所述SAR网络模型中，训练用于SAR图像识别的网络参数；
识别第一阶段单元，用于利用训练好的所述SAR网络模型，输入待测SAR图像进行预处理，获得64通道56×56的特征图；
识别第二阶段单元，用于将所述64通道56×56的特征图经过三个残差模块提取特征，以及平均池化操作，获得1×1的特征图，其中三个所述残差模块的输入分别保存为第一特征、第二特征和第三特征；
识别过渡阶段单元，用于使用SE块通道注意力操作，将所述1×1的特征图映射成7×7的特征图；
识别第三阶段单元，用于将所述7×7的特征图进行三次上采样操作，三次的输出依次与所述第一特征、所述第二特征和所述第三特征进行特征级联，分别保存为第四特征、第五特征和第六特征，并且输出56×56的特征图；
识别第四阶段单元，用于将所述56×56的特征图经过三个残差块处理，三个所述残差块的输出特征依次与所述第四特征、所述第五特征和所述第六特征级联，并经过平均池化和全连接层的卷积操作得到所述待测SAR图像的对应标签。
6.一种基于SAR网络的SAR图像识别设备，其特征在于，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至4任一项所述的基于SAR网络的SAR图像识别方法。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至4任一项所述的基于SAR网络的SAR图像识别方法。
CN201910933327.7A 2019-09-29 2019-09-29 基于sar网络的sar图像识别方法、装置、设备和存储介质 Active CN110751061B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910933327.7A CN110751061B (zh) 2019-09-29 2019-09-29 基于sar网络的sar图像识别方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910933327.7A CN110751061B (zh) 2019-09-29 2019-09-29 基于sar网络的sar图像识别方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN110751061A CN110751061A (zh) 2020-02-04
CN110751061B true CN110751061B (zh) 2023-04-07

Family

ID=69277410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910933327.7A Active CN110751061B (zh) 2019-09-29 2019-09-29 基于sar网络的sar图像识别方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN110751061B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801161A (zh) * 2021-01-22 2021-05-14 桂林市国创朝阳信息科技有限公司 小样本图像分类方法、装置、电子设备及计算机存储介质
CN114926745B (zh) * 2022-05-24 2023-04-25 电子科技大学 一种域特征映射的少样本sar目标识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921029A (zh) * 2018-06-04 2018-11-30 浙江大学 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法
CN109145815A (zh) * 2018-08-21 2019-01-04 深圳大学 一种sar目标识别方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460649A (zh) * 2017-02-22 2018-08-28 阿里巴巴集团控股有限公司 一种图像识别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921029A (zh) * 2018-06-04 2018-11-30 浙江大学 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法
CN109145815A (zh) * 2018-08-21 2019-01-04 深圳大学 一种sar目标识别方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SAR ATR with full-angle data augmentation and feature polymerisation;Yikui Zhai et al.;《IET International Radar Conference (IRC 2018)》;20190712;第1-2页 *

Also Published As

Publication number Publication date
CN110751061A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
Trebing et al. SmaAt-UNet: Precipitation nowcasting using a small attention-UNet architecture
CN108230329B (zh) 基于多尺度卷积神经网络的语义分割方法
CN108734723B (zh) 一种基于自适应权重联合学习的相关滤波目标跟踪方法
CN107229918B (zh) 一种基于全卷积神经网络的sar图像目标检测方法
CN109086668B (zh) 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法
CN111161311A (zh) 一种基于深度学习的视觉多目标跟踪方法及装置
CN112862774B (zh) 一种遥感影像建筑物精确分割方法
CN107808138B (zh) 一种基于FasterR-CNN的通信信号识别方法
CN108961180B (zh) 红外图像增强方法及系统
CN106651887A (zh) 一种基于卷积神经网络的图像像素分类方法
CN112766110A (zh) 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置
CN110751061B (zh) 基于sar网络的sar图像识别方法、装置、设备和存储介质
CN113901900A (zh) 一种同源或异源遥感图像用无监督变化检测方法及系统
CN111767962A (zh) 基于生成对抗式网络的一阶段目标检测方法、系统及装置
CN111539957A (zh) 一种用于目标检测的图像样本生成方法、系统及检测方法
CN115731220A (zh) 坯布缺陷定位与分类方法、系统、设备及存储介质
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法
CN111598844B (zh) 一种图像分割方法、装置、电子设备和可读存储介质
CN117437423A (zh) 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置
CN116844032A (zh) 一种海洋环境下目标检测识别方法、装置、设备及介质
CN114708307B (zh) 基于相关滤波器的目标跟踪方法、系统、存储介质及设备
CN111079807A (zh) 一种地物分类方法及装置
CN113763447B (zh) 深度图的补全方法、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant