CN114114262A - 基于CV-ConvGRU的SAR三维转动目标重聚焦方法 - Google Patents
基于CV-ConvGRU的SAR三维转动目标重聚焦方法 Download PDFInfo
- Publication number
- CN114114262A CN114114262A CN202111417477.6A CN202111417477A CN114114262A CN 114114262 A CN114114262 A CN 114114262A CN 202111417477 A CN202111417477 A CN 202111417477A CN 114114262 A CN114114262 A CN 114114262A
- Authority
- CN
- China
- Prior art keywords
- sar
- convgru
- refocusing
- image
- gate
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004913 activation Effects 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000001994 activation Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000002592 echocardiography Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 19
- 238000013461 design Methods 0.000 abstract description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 abstract description 2
- 230000008859 change Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9004—SAR image acquisition techniques
- G01S13/9019—Auto-focussing of the SAR signals
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
基于CV‑ConvGRU的SAR三维转动目标重聚焦方法,涉及图像处理技术领域,针对现有技术中由于海浪、风、自身航行等因素的影响导致SAR成像模糊的问题,本申请提出了一种CV‑ConvGRU,CV‑ConvGRU将包括卷积层、激活函数、更新门、重置门在内的整个网络扩展到复杂域中,并在此基础上,推导出一种用于CV‑ConvGRU训练的反向传播算法。本申请基于CV‑ConvGRU设计了CV‑SSRN架构,进行SAR三维转动目标重聚焦,将SAR重聚焦任务转换为一个图像回归问题,并加入编码器与解码器,来实现目标重新聚焦,聚焦精度显着提高,避免了SAR成像模糊的问题。本申请利用SAR成像原理、复数域深度学习技术,更好的满足复杂SAR重聚焦需求,对视角变化、仿射变换、噪声保持一定程度的稳定性。
Description
技术领域
本发明涉及图像处理技术领域,具体为基于CV-ConvGRU的SAR三维转动目标重聚焦方法。
背景技术
合成孔径雷达(Synthetic aperture radar,SAR)在军事侦察、地理测绘和资源测量等领域有着无可争辩的优势,因为它提供具有全天候和全天监视能力的观测场景的高分辨率图像。由于海浪、风、自身航行等因素的影响,海上舰船目标一般处于复杂的三维摆动状态。传统的SAR成像算法是为静态场景成像而设计的,所以采用基于匹配滤波的方法获得的SAR图像中,目标的复杂运动会导致图像模糊。良好的成像质量是后续分类与识别处理的前提,因此,在进行SAR图像处理时,首先应该进行重聚焦处理以消除目标复杂运动造成的模糊散焦。
发明内容
本发明的目的是:针对现有技术中由于海浪、风、自身航行等因素的影响导致SAR成像模糊的问题,提出基于CV-ConvGRU的SAR三维转动目标重聚焦方法。
本发明为了解决上述技术问题采取的技术方案是:
基于CV-ConvGRU的SAR三维转动目标重聚焦方法,包括以下步骤:
步骤一:获取目标原始检测图像;
步骤二:根据SAR参数对SAR回波进行距离向压缩与方位向压缩,然后利用SAR检测目标得到散焦的SAR目标切片;
步骤三:将散焦的SAR目标切片输入CV-SSRN网络中,得到重聚焦后的SAR图像;
步骤四:利用目标原始检测图像和重聚焦后的SAR图像得到损失函数,并根据复数域反向传播算法进行权值更新,进而得到训练好的CV-SSRN网络;
步骤五:利用训练好的CV-SSRN网络完成重聚焦;
所述CV-SSRN网络包括输入层、编码器、CV-ConvGRU模块、解码器和输出层,
所述输入层的输入为三维复数域散焦SAR图像,维度为H×W×C,
其中,H为SAR图像高,W为图像宽,C为图像通道数,
所述编码器用于提取散焦SAR图像的浅层特征,编码器级联四个复数域卷积模块,输入特征图的大小逐层降低,
所述CV-ConvGRU模块将三个CV-ConvGRU子网络级联,用于深度提取编码器输出的浅层特征,得到深层特征,
所述解码器用于融合浅层特征与深层特征,进而实现从特征到图像的重建,并在重建的过程中完成图像的重聚焦,
所述输出层在给定输入样本及其对应标签的情况下,通过最小化训练数据的损失函数,以监督的方式学习CV-SSRN的参数。
进一步的,所述CV-ConvGRU子网络包括前向传播和反向传播。
进一步的,所述前向传播的具体步骤为:
步骤2:将当前时刻t的输入信息Xt、前一隐层输出Ht-1分别与各自权值矩阵进行卷积,然后加上偏置量bz得激活前中间变量 经复数域激活函数σR-I(·)激活后,得到更新门输出结果zt,更新门输出结果zt表示为:
其中,分别代表实部与虚部,j为虚数单位,*代表卷积,表示更新门激活前输出结果,σR-I(·)表示对实部和虚部分别激活,Wz表示更新门连接输入Xt的权值矩阵,Uz表示更新门连接输入前一时刻的隐藏状态信息Ht-1的权值矩阵,复数域激活函数σR-I(·)分别激活实部和虚部,激活过程表示为:
更新门的激活函数σ(·)为sigmoid函数;
步骤3:将当前时刻t的输入信息Xt、前一隐层输出Ht-1分别与各自权值矩阵Wr、Ur进行卷积,然后再加上偏置量br得激活前中间变量 经复数域激活函数σR-I(·)激活后,得到遗忘门输出结果rt,遗忘门输出结果rt表示为;
其中,Wr、Ur是权值矩阵,br是偏置;
隐藏状态更新公式设计如下:
步骤5:判断当前时刻t是否为最大时间长度,若t为最大时间长度,则转到步骤6,否则令t=t+1,转到步骤2;
步骤6:将所有时刻的隐藏状态输出Ht合并输出。
进一步的,所述反向传播的具体步骤为:
S1:初始化当前时刻t等于最大时间长度,并计算t时刻的误差项δt,t时刻的误差项δt表示为:
S2:根据t时刻的误差项δt计算更新门的误差项δzt,δzt表示为:
S3:根据δzt计算重置门的误差项δrt,δrt表示为:
S5:计算t-1时刻误差项δt-1;
S6:判断t是否等于1,若t=1,则转到S 7,否则令t=t-1,转到S5;
S8:根据δzt和δrt计算CV-ConvGRU权值矩阵Uz、Ur的梯度分别为:
其中,l=z,r;
S11:完成CV-ConvGRU权值更新:
其中,η为学习率。
进一步的,所述H与W大小为128。
进一步的,所述步骤二中还包括对SAR目标切片进行数据标准化。
进一步的,所述编码器包括四个卷积层,卷积核尺寸为4×4,步长为2,激活函数为Ctanh,四个卷积层的卷积核个数分别为64,128,256,512。
进一步的,所述CV-ConvGRU子网络的卷积核尺寸大小均为3×3,三个CV-ConvGRU子网络卷积核个数均为512。
进一步的,所述解码器包括四个反卷积层,反卷积核尺寸为4×4,步长为2,前三个反卷积层的激活函数为Ctanh,最后一个反卷积层无激活函数,直接输出重聚焦后的SAR图像,四个反卷积层的卷积核个数分别为256,128,64,C,解码器级联四个复数域反卷积模块。
本发明的有益效果是:本申请提出了一种CV-ConvGRU,CV-ConvGRU将包括卷积层、激活函数、更新门、重置门在内的整个网络扩展到复杂域中,并在此基础上,推导出一种用于CV-ConvGRU训练的反向传播算法。本申请基于CV-ConvGRU设计了CV-SSRN架构,进行SAR三维转动目标重聚焦,将SAR重聚焦任务转换为一个图像回归问题,并加入编码器与解码器,来实现目标重新聚焦,聚焦精度显着提高,避免了SAR成像模糊的问题。本申请利用SAR成像原理、复数域深度学习技术,更好的满足复杂SAR重聚焦需求,对视角变化、仿射变换、噪声保持一定程度的稳定性。
附图说明
图1是CV-ConvGRU基本单元结构示意图;
图2是CV-SSRN架构图;
图3是编码器架构图;
图4是解码器架构图;
图5是Conv Block与CV-Conv Block基本单元示意图1;
图6是Conv Block与CV-Conv Block基本单元示意图2;
图7是CV-ConvGRU前向传播流程图;
图8是CV-ConvGRU反向传播流程图;
图9是CV-SSRN重聚焦应用流程图;
图10是CV-SSRN仿真重聚焦成像结果仿真原图;
图11是CV-SSRN仿真重聚焦成像结果重聚焦结果;
图12是CV-SSRN实测重聚焦成像结果高分三SAR舰船目标原图1;
图13是CV-SSRN实测重聚焦成像结果高分三SAR舰船目标原图2;
图14是CV-SSRN实测重聚焦成像结果高分三SAR舰船目标原图3;
图15是CV-SSRN实测重聚焦成像结果高分三SAR舰船目标原图4;
图16是CV-SSRN实测重聚焦成像结果重聚焦结果1;
图17是CV-SSRN实测重聚焦成像结果重聚焦结果2;
图18是CV-SSRN实测重聚焦成像结果重聚焦结果3;
图19是CV-SSRN实测重聚焦成像结果重聚焦结果4。
具体实施方式
需要特别说明的是,在不冲突的情况下,本申请公开的各个实施方式之间可以相互组合。
具体实施方式一:参照图1具体说明本实施方式,本实施方式所述的基于CV-ConvGRU的SAR三维转动目标重聚焦方法,包括以下步骤:
步骤一:获取目标原始检测图像;
步骤二:根据SAR参数对SAR回波进行距离向压缩与方位向压缩,然后利用SAR检测目标得到散焦的SAR目标切片;
步骤三:将散焦的SAR目标切片输入CV-SSRN网络中,得到重聚焦后的SAR图像;
步骤四:利用目标原始检测图像和重聚焦后的SAR图像得到损失函数,并根据复数域反向传播算法进行权值更新,进而得到训练好的CV-SSRN网络;
步骤五:利用训练好的CV-SSRN网络完成重聚焦;
所述CV-SSRN网络包括输入层、编码器、CV-ConvGRU模块、解码器和输出层,
所述输入层的输入为三维复数域散焦SAR图像,维度为H×W×C,
其中,H为SAR图像高,W为图像宽,C为图像通道数,
所述编码器用于提取散焦SAR图像的浅层特征,编码器级联四个复数域卷积模块,输入特征图的大小逐层降低,
所述CV-ConvGRU模块将三个CV-ConvGRU子网络级联,用于深度提取编码器输出的浅层特征,得到深层特征,
所述解码器用于融合浅层特征与深层特征,进而实现从特征到图像的重建,并在重建的过程中完成图像的重聚焦,
所述输出层在给定输入样本及其对应标签的情况下,通过最小化训练数据的损失函数,以监督的方式学习CV-SSRN的参数,
所述CV-SSRN网络中的全部元素均为复数,CV-SSRN中直接将SAR复图像的实部和虚部作为整体输入到网络中。
本发明针对SAR三维转动重聚焦应用提出了一种基于复数域卷积门控循环单元(Complex-valued Convolutional Gated Recurrent Unit,CV-ConvGRU)的方法。所提出的方法将SAR重聚焦任务转换为一个图像回归问题中。所提CV-ConvGRU将包括卷积层、激活函数、更新门、重置门在内的整个网络扩展到复杂域中。在此基础上,本发明推导出一种用于CV-ConvGRU训练的反向传播算法,并基于CV-ConvGRU设计复数域SAR目标重聚焦网络(Complex-valued SAR Ship Refoucs Network,CV-SSRN)架构用于重聚焦实验。CV-SSRN网络的核心是CV-ConvGRU,同时加入编码器与解码器。编码器用于提取浅层特征,CV-ConvGRU用于提取深层特征,解码器用于重建图像。经过训练的CV-SSRN能够将重新聚焦SAR三维转动运动目标。
基于CV-ConvGRU的SAR三维转动目标重聚焦方法中的CV-ConvGRU前向传播部分的具体步骤为:
(2)计算当前时刻t的更新门输出:当前时刻t的输入信息Xt、前一隐层输出Ht-1分别与各自权值矩阵卷积,再加上偏置量bz得激活前中间变量 经复数域激活函数σR-I(·)激活后,得到更新门输出结果zt:
其中,分别代表实部与虚部,j为虚数单位,表示更新门激活前输出结果。σR-I(·)表示对实部和虚部分别激活,Wz是更新门连接输入Xt的权值矩阵,Uz是更新门连接输入前一时刻的隐藏状态信息Ht-1的权值矩阵。复数域激活函数σR-I(·)分别激活实部和虚部,激活过程可以表述为:
需要注意的是更新门的激活函数σ(·)一般为sigmoid函数。
(3)计算当前时刻t的重置门输出:当前时刻t的输入信息Xt、前一隐层输出Ht-1分别与各自权值矩阵Wr、Ur卷积,再加上偏置量br得激活前中间变量 经复数域激活函数σR-I(·)激活后,得到遗忘门输出结果rt:
其中。Wr、Ur是权值矩阵,br是偏置。
为了实现更新门zt的设计初衷,兼具遗忘保留两个功能,本发明将隐藏状态更新公式设计如下:
(5)若t等于最大时间长度,则转到步骤(6);否则令t=t+1,转到步骤(2)
(6)将所有时刻的隐藏状态输出Ht合并输出。
在图1和图8中,基于CV-ConvGRU的SAR三维转动目标重聚焦方法中的CV-ConvGRU反向传播部分的具体步骤为:
(1)初始化t等于最大时间长度,计算t时刻的误差项δt为:
其中,E为网络所有输出层节点的误差平方和。
(2)计算更新门的误差项δzt为:
(3)计算重置门的误差项δrt为:
(5)计算t-1时刻误差项δt-1(初始化当前时刻t等于最大时间长度。然后t逐渐减小,计算各个时刻的误差项,直到t=1时,开始更新梯度。所以起始t(也就是最大时间长度)是大于等于2的)
(6)若t=1,则转到步骤(7);否则令t=t-1,转到步骤(5)
(8)计算CV-ConvGRU权值矩阵Uz、Ur的梯度分别为:
其中l=z,r。
(11)完成CV-ConvGRU权值更新:
其中η为学习率。
在图2、3、4、5、6中,基于CV-ConvGRU的SAR三维转动目标重聚焦方法中的CV-SSRN架构具体设计细节为:
CV-SSRN具体分为五个部分:输入层,编码器,CV-ConvGRU子网络,解码器,输出层。CV-SSRN是一个端到端的网络模型,其中的全部元素均为复数。
(1)CV-SSRN架构的输入层:CV-SSRN架构的输入数据为三维复数域散焦SAR图像,维度为H×W×C,H为SAR图像高,W为图像宽,C为图像通道数。本发明取H与W大小为128。CV-SSRN中直接将SAR复图像的实部和虚部作为整体输入到网络中。
(2)CV-SSRN架构的编码器:编码器用于提取散焦SAR图像的浅层特征,包含四个卷积层。卷积核尺寸为4×4,步长为2,激活函数为Ctanh。四个卷积层的卷积核个数分别为64,128,256,512。编码器级联四个复数域卷积模块(CV-Conv Block),输入特征图的大小逐层降低,从而扩大特征提取的视野,而输出特征图越来越多,特征被层层抽象,解构了特征在空间上的联系。
复数域卷积模块(CV-Conv Block)是由实数域卷积模块(Conv Block)向复数域扩展而来。在Conv Block中,输入特征图X经过一次卷积操作,再经过tanh激活即可得到输出Y。在CV-Conv Block中,由于复数运算的特殊性,输入特征图X需要进行四次卷积运算、两次相加运算和两次tanh激活才能得到出Y。
(3)CV-SSRN架构的CV-ConvGRU子网络:CV-SSRN将三个CV-ConvGRU级联以深度提取编码器输出浅层特征。三个CV-ConvGRU子网络的卷积核尺寸大小均为3×3,三个CV-ConvGRU子网络卷积核个数均为512。级联的CV-ConvGRU子网络可以使不同通道的特征图产生相关性,有利于深度特征的提取。
(4)CV-SSRN架构的解码器:解码器用于融合浅层特征与深层特征,实现从特征到图像的重建,并在重建的过程中完成图像的重聚焦。解码器包含四个反卷积层,反卷积核尺寸为4×4,步长为2。值得注意的是,前三个反卷积层的激活函数为Ctanh,最后一个反卷积层无激活函数,直接输出重聚焦后的SAR图像。四个反卷积层的卷积核个数分别为256,128,64,C。解码器级联四个复数域反卷积模块(CV-Deconv Block)。
复数域反卷积模块(CV-Deconv Block)是由实数域反卷积模块(Deconv Block)向复数域扩展而来。在CV-Deconv Block中,输入特征图需要进行四次反卷积运算、两次相加运算和两次tanh激活才能得到出输出特征图。
(5)CV-SSRN架构的输出层:CV-SSRN最后一个反卷积层直接输出重聚焦后的SAR图像,该层无激活函数。在给定输入样本及其对应标签的情况下,通过最小化训练数据的损失函数,以监督的方式学习CV-SSRN的参数。以输入SAR图像数据维度H×W×C=128×128×1,CV-ConvGRU子网络包含三个CV-ConvGRU模块为例,CV-SSRN总参数量为26.73M×2,即参数量实部和虚部的各26.73M。
在图2和图9中,基于CV-ConvGRU的SAR三维转动目标重聚焦方法中的CV-SSRN重聚焦应用的具体步骤为:
(1)预处理阶段:在重聚焦部分的预处理阶段,根据SAR参数对SAR回波进行距离向压缩与方位向压缩,然后检测目标得到散焦的SAR目标切片。
(2)CV-SSRN训练阶段:在重聚焦部分的CV-SSRN训练阶段,用构建的CV-SSRN得到重聚焦后的SAR图像,与相应标签计算损失函数,根据复数域反向传播算法进行权值更新,训练完全部数据即可得到基于CV-SSRN的SAR重聚焦模型。
(3)CV-SSRN重聚焦阶段:在重聚焦部分的CV-SSRN重聚焦阶段,将SAR图像输入到训练好的CV-SSRN中,即可完成SAR图像重聚焦任务。仿真与实测重聚焦效果如图10和图11所示。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (9)
1.基于CV-ConvGRU的SAR三维转动目标重聚焦方法,其特征在于包括以下步骤:
步骤一:获取目标原始检测图像;
步骤二:根据SAR参数对SAR回波进行距离向压缩与方位向压缩,然后利用SAR检测目标得到散焦的SAR目标切片;
步骤三:将散焦的SAR目标切片输入CV-SSRN网络中,得到重聚焦后的SAR图像;
步骤四:利用目标原始检测图像和重聚焦后的SAR图像得到损失函数,并根据复数域反向传播算法进行权值更新,进而得到训练好的CV-SSRN网络;
步骤五:利用训练好的CV-SSRN网络完成重聚焦;
所述CV-SSRN网络包括输入层、编码器、CV-ConvGRU模块、解码器和输出层,
所述输入层的输入为三维复数域散焦SAR图像,维度为H×W×C,
其中,H为SAR图像高,W为图像宽,C为图像通道数,
所述编码器用于提取散焦SAR图像的浅层特征,编码器级联四个复数域卷积模块,输入特征图的大小逐层降低,
所述CV-ConvGRU模块将三个CV-ConvGRU子网络级联,用于深度提取编码器输出的浅层特征,得到深层特征,
所述解码器用于融合浅层特征与深层特征,进而实现从特征到图像的重建,并在重建的过程中完成图像的重聚焦,
所述输出层在给定输入样本及其对应标签的情况下,通过最小化训练数据的损失函数,以监督的方式学习CV-SSRN的参数。
2.根据权利要求1所述的基于CV-ConvGRU的SAR三维转动目标重聚焦方法,其特征在于所述CV-ConvGRU子网络包括前向传播和反向传播。
3.根据权利要求2所述的基于CV-ConvGRU的SAR三维转动目标重聚焦方法,其特征在于所述前向传播的具体步骤为:
步骤2:将当前时刻t的输入信息Xt、前一隐层输出Ht-1分别与各自权值矩阵进行卷积,然后加上偏置量bz得激活前中间变量 经复数域激活函数σR-I(·)激活后,得到更新门输出结果zt,更新门输出结果zt表示为:
其中,分别代表实部与虚部,j为虚数单位,*代表卷积,表示更新门激活前输出结果,σR-I(·)表示对实部和虚部分别激活,Wz表示更新门连接输入Xt的权值矩阵,Uz表示更新门连接输入前一时刻的隐藏状态信息Ht-1的权值矩阵,复数域激活函数σR-I(·)分别激活实部和虚部,激活过程表示为:
更新门的激活函数σ(·)为sigmoid函数;
步骤3:将当前时刻t的输入信息Xt、前一隐层输出Ht-1分别与各自权值矩阵Wr、Ur进行卷积,然后再加上偏置量br得激活前中间变量 经复数域激活函数σR-I(·)激活后,得到遗忘门输出结果rt,遗忘门输出结果rt表示为;
其中,Wr、Ur是权值矩阵,br是偏置;
隐藏状态更新公式设计如下:
步骤5:判断当前时刻t是否为最大时间长度,若t为最大时间长度,则转到步骤6,否则令t=t+1,转到步骤2;
步骤6:将所有时刻的隐藏状态输出Ht合并输出。
4.根据权利要求3所述的基于CV-ConvGRU的SAR三维转动目标重聚焦方法,其特征在于所述反向传播的具体步骤为:
S1:初始化当前时刻t等于最大时间长度,并计算t时刻的误差项δt,t时刻的误差项δt表示为:
S2:根据t时刻的误差项δt计算更新门的误差项δzt,δzt表示为:
S3:根据δzt计算重置门的误差项δrt,δrt表示为:
S5:计算t-1时刻误差项δt-1;
S6:判断t是否等于1,若t=1,则转到S7,否则令t=t-1,转到S5;
S8:根据δzt和δrt计算CV-ConvGRU权值矩阵Uz、Ur的梯度分别为:
其中,l=z,r;
S11:完成CV-ConvGRU权值更新:
其中,η为学习率。
5.根据权利要求4所述的基于CV-ConvGRU的SAR三维转动目标重聚焦方法,其特征在于所述H与W大小为128。
6.根据权利要求5所述的基于CV-ConvGRU的SAR三维转动目标重聚焦方法,其特征在于所述步骤二中还包括对SAR目标切片进行数据标准化。
7.根据权利要求6所述的基于CV-ConvGRU的SAR三维转动目标重聚焦方法,其特征在于所述编码器包括四个卷积层,卷积核尺寸为4×4,步长为2,激活函数为Ctanh,四个卷积层的卷积核个数分别为64,128,256,512。
8.根据权利要求1所述的基于CV-ConvGRU的SAR三维转动目标重聚焦方法,其特征在于所述CV-ConvGRU子网络的卷积核尺寸大小均为3×3,三个CV-ConvGRU子网络卷积核个数均为512。
9.根据权利要求1所述的基于CV-ConvGRU的SAR三维转动目标重聚焦方法,其特征在于所述解码器包括四个反卷积层,反卷积核尺寸为4×4,步长为2,前三个反卷积层的激活函数为Ctanh,最后一个反卷积层无激活函数,直接输出重聚焦后的SAR图像,四个反卷积层的卷积核个数分别为256,128,64,C,解码器级联四个复数域反卷积模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417477.6A CN114114262B (zh) | 2021-11-25 | 基于CV-ConvGRU的SAR三维转动目标重聚焦方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417477.6A CN114114262B (zh) | 2021-11-25 | 基于CV-ConvGRU的SAR三维转动目标重聚焦方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114114262A true CN114114262A (zh) | 2022-03-01 |
CN114114262B CN114114262B (zh) | 2024-07-02 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108957453A (zh) * | 2018-07-23 | 2018-12-07 | 航天恒星科技有限公司 | 一种基于多目标跟踪的高精度动目标成像及识别方法 |
CN111723875A (zh) * | 2020-07-16 | 2020-09-29 | 哈尔滨工业大学 | 基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法 |
CN111781599A (zh) * | 2020-07-16 | 2020-10-16 | 哈尔滨工业大学 | 基于CV-EstNet的SAR运动舰船目标速度估算方法 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108957453A (zh) * | 2018-07-23 | 2018-12-07 | 航天恒星科技有限公司 | 一种基于多目标跟踪的高精度动目标成像及识别方法 |
CN111723875A (zh) * | 2020-07-16 | 2020-09-29 | 哈尔滨工业大学 | 基于CV-RefocusNet的SAR三维转动舰船目标重聚焦方法 |
CN111781599A (zh) * | 2020-07-16 | 2020-10-16 | 哈尔滨工业大学 | 基于CV-EstNet的SAR运动舰船目标速度估算方法 |
Non-Patent Citations (2)
Title |
---|
O. RONNEBERGER ET AL.: "U-Net: Convolutional networks for biomedical image segmentation", PROC. MICCAI. SPRINGER, 31 December 2015 (2015-12-31) * |
王培兵;彭圆;: "深度学习在水声目标识别中的应用研究", 数字海洋与水下攻防, no. 01, 15 February 2020 (2020-02-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Deep learning meets SAR: Concepts, models, pitfalls, and perspectives | |
Fracastoro et al. | Deep learning methods for synthetic aperture radar image despeckling: An overview of trends and perspectives | |
CN112434745B (zh) | 基于多源认知融合的遮挡目标检测识别方法 | |
Armanious et al. | An adversarial super-resolution remedy for radar design trade-offs | |
Yang et al. | An enhanced SiamMask network for coastal ship tracking | |
Qu et al. | Hyperspectral and panchromatic image fusion via adaptive tensor and multi-scale retinex algorithm | |
Zuo et al. | A SAR-to-optical image translation method based on PIX2PIX | |
Zhang et al. | Dense haze removal based on dynamic collaborative inference learning for remote sensing images | |
CN117392545B (zh) | 一种基于深度学习的sar图像目标检测方法 | |
CN110706253A (zh) | 基于表观特征和深度特征的目标跟踪方法、系统、装置 | |
Soğanlı et al. | Low-rank sparse matrix decomposition for sparsity-driven SAR image reconstruction | |
Lu et al. | Heterogeneity-aware recurrent neural network for hyperspectral and multispectral image fusion | |
CN113850189A (zh) | 一种应用于机动平台的嵌入式孪生网络实时跟踪方法 | |
Xiao et al. | U-ADMMNet: A mdel-based deep learning method for sparse aperture ISAR imaging | |
CN109948571B (zh) | 一种光学遥感图像船舶检测方法 | |
CN117422619A (zh) | 图像重建模型的训练方法、图像重建方法、装置及设备 | |
CN110751061B (zh) | 基于sar网络的sar图像识别方法、装置、设备和存储介质 | |
Dietrich-Sussner et al. | Synthetic glacier SAR image generation from arbitrary masks using pix2pix algorithm | |
CN114114262A (zh) | 基于CV-ConvGRU的SAR三维转动目标重聚焦方法 | |
CN116664596A (zh) | 港口区域遥感图像的分割方法、装置、电子设备和介质 | |
CN114114262B (zh) | 基于CV-ConvGRU的SAR三维转动目标重聚焦方法 | |
CN111047525A (zh) | Sar遥感图像到光学遥感图像的翻译方法 | |
Tu et al. | A novel HRRP target recognition method based on LSTM and HMM decision-making | |
CN114863164A (zh) | 一种面向小目标超分辨重建图像的目标识别模型构建方法 | |
Zhang et al. | Ship detection based on improved YOLO algorithm |
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 |