CN116343041A - 一种基于hrrp与sar数据特征级融合的舰船分类方法 - Google Patents

一种基于hrrp与sar数据特征级融合的舰船分类方法 Download PDF

Info

Publication number
CN116343041A
CN116343041A CN202310321258.0A CN202310321258A CN116343041A CN 116343041 A CN116343041 A CN 116343041A CN 202310321258 A CN202310321258 A CN 202310321258A CN 116343041 A CN116343041 A CN 116343041A
Authority
CN
China
Prior art keywords
feature
hrrp
data
features
classification
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.)
Pending
Application number
CN202310321258.0A
Other languages
English (en)
Inventor
董文倩
崔继洲
曲家慧
肖嵩
李云松
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Publication of CN116343041A publication Critical patent/CN116343041A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G06N3/098—Distributed learning, e.g. federated learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种基于HRRP与SAR数据特征级融合的舰船分类方法，包括以下步骤；输入同一时刻对同一目标的HRRP与SAR探测数据，各自进行预处理，并划分训练集和测试集；构建SAR影像特征分离模块，降低各个样本间特征的相关性，增加样本特征距离；构建SAR影像特征聚合模块，将已分离样本特征中的同类特征进行聚合，减小类内距离、增大类间距离，增强分类性能；构建基于注意力机制的一维距离像特征提取模块，提取HRRP中的舰船细节特征；构建HRRP与SAR数据特征融合分类模块，融合HRRP与SAR数据的特征进行目标的分类；对搭建好的多源特征融合分类模型进行有监督的训练，得到合适该模型的参数；将待分类舰船目标数据送入训练好的多源特征融合分类模型中进行分类，得到分类结果。本发明提高了舰船分类的精度以及鲁棒性。

Description

一种基于HRRP与SAR数据特征级融合的舰船分类方法
技术领域
本发明属于雷达技术领域，具体涉及一种基于HRRP与SAR数据特征级融合的舰船分类方法。
背景技术
合成孔径雷达和一维距离像均属于高分辨率雷达数据。合成孔径雷达是一种主动式的对地观测系统，具有全天时、全天候、探测范围广的优点，能够在有遮盖物与能见度低的情况下获得类似光学的高分辨率雷达成像。合成孔径雷达影像能够反应目标的几何特征以及散射特征。在民用渔船与军用舰船的识别分类发挥着重要的作用。一维距离像是由高分辨率雷达获得，当目标尺寸远大于雷达分辨率单元大小时，目标的雷达回波形成一维距离像。雷达一维距离像有数据量小、实时性好、易于处理、抗干扰能力强的有点，一维距离像反映了目标距离方向上的几何结构特征，包括目标的尺寸、散射中心位置等。一维距离像被认为是最具有工业前景的目标识别方法，近年来成为研究的热点。
合成孔径雷达影像舰船分类技术主要有两类。一类是使用传统方法对目标舰船进行分类，主要是先提取舰船的几何特征，然后再通过支撑向量机(SVM)、逻辑回归(LR)等各种机器学习分类器完成对舰船的分类。另一类是基于深度学习分类方法。深度学习利用非线性网络结构实现特征的有效提取，不需要人为设计特征的提取方法，具有很好的特征提取与学习能力，从而完成对舰船的分类。
一维距离像数据的舰船分类分为两类，基于传统方法的一维距离像分类，基于深度神经网络的分类算法。传统一维距离像分类算法主要由降维法和变换法两部分组成，降维法是对高维一维距离像信号进行降维映射以得到可以分类的特征。变换法是将一维距离像信号投影到频域中提取谱图特征用于识别分类。基于深度学习的一维距离像识别网络，采用端到端的监督学习方式自动提取样本一维距离像信号的可分性特征，改善传统方法体征提取方面的不足。
合成孔径雷达影像通常成像质量不好具有严重的相干斑噪声，进行滤波之后舰船细节丢失严重。一维距离像数据含有舰船细节信息较多但是方位敏感性问题始终未能解决。从而导致使用单一合成孔径雷达影像与一维距离像数据舰船分类精度有一定瓶颈且稳定性较差。
发明内容
为了克服上述现有技术存在的不足，本发明的目的在于提供一种基于HRRP与SAR数据特征级融合的舰船分类方法，提高了舰船分类的精度以及鲁棒性，解决了现有技术仅利用单一数据源进行舰船分类，导致精度达到瓶颈且稳定性不好的问题。
为了实现上述目的，本发明采用的技术方案是：
一种基于HRRP与SAR数据特征级融合的舰船分类方法，包括以下步骤；
S101：获取同一时刻对同一舰船目标的HRRP与SAR探测数据，各自进行预处理，并划分训练集和测试集；
S102：构建SAR影像特征分离模块，降低各个探测数据样本间特征的相关性，增加样本特征距离；
S103：构建SAR影像特征聚合模块，将S102输出的已分离样本特征中的同类特征进行聚合，减小类内距离、增大类间距离，增强分类性能；
S104：构建基于注意力机制的一维距离像特征提取模块，提取HRRP中的舰船细节特征；
S105：构建HRRP与SAR数据特征融合分类模块，融合HRRP与SAR数据的特征进行目标分类；
S106：对搭建好的多源特征融合分类模型进行有监督的训练，得到合适该模型的参数；
S107：将待分类舰船目标数据送入训练好的多源特征融合分类模型中进行分类，得到分类结果。
S105是多源特征融合模型的最后一个模块，进行特征的融合分类，指的是分类在这一模块完成，S106是对该模型的训练优化过程、S107是使用该模型进行舰船分类。
所述步骤S101中，并对SAR影像进行精致Lee滤波、数据增强等预处理操作；对HRRP数据进行归一化与散射中心信息提取。
SAR影像首先要进行精致Lee滤波以去除相干斑噪声，精致Lee滤波使用神经网络模型进行模拟，基于自编码器架构，并增加通道注意力机制，之后再进行数据增强，增大训练数据量，预处理步骤可表示为下式：
Figure BDA0004151762290000041
Lee(X)＝X+fconv(Cat(fconv(X)，fCBAM(fReLU(fconv(X)))))
其中
Figure BDA0004151762290000042
分别为输入的与经过预处理后的SAR影像，H、W为影像的大小；Lee(·)为网络模拟的精致Lee滤波；fconv(·)、fReLU(·)分别为卷积和激活操作；Cat(·)表示特征通道维度的拼接；fCBAM(·)表示通道注意力机制；
HRRP首先要进行归一化以及进行散射中心相关信息的提取，提取目标径向长度、散射中心个数、轮廓偏度、方差等先验信息，其步骤可表示为下式：
hw＝Fenh(Fnorm(h))
hinfo＝Finfo(h)
Figure BDA0004151762290000043
其中h＝[h1，h2,...,hM]表示原始HRRP数据，M表示HRRP数据包含的距离单元总数，hw为预处理输出的HRRP数据，hinfo为提取的HRRP散射中心信息。
所述步骤S102具体为：
首先使用ResNet50网络对做了数据增强的一对SAR影像
Figure BDA0004151762290000044
进行特征提取得到特征/>
Figure BDA0004151762290000045
以Batch为单位做处理/>
Figure BDA0004151762290000046
B为Batch大小，构建特征分离模块对不同样本进行特征分离，即将不同样本特征投影到分离度高的特征空间，特征分离模块由卷积层、激活层与批归一化层组成，此结构能够有效投影特征空间，其步骤可表示为下式：
Figure BDA0004151762290000051
Figure BDA0004151762290000052
Separate(·)＝fReLU(fBN(fconv(fReLU(fBN(fconv(·))))))
其中
Figure BDA0004151762290000053
是经过不同数据增强变化后的SAR数据；/>
Figure BDA0004151762290000054
是通过ResNet50提取的特征，c、h、w分别是特征的通道数、长、宽；Separate(·)为特征分离模块，将不同样本特征投影到分离度高的特征空间。
所述步骤S103中SAR影像特征聚合模块的结构如下：
构建集成模块将被分离的样本特征进行降维，同时进行同类特征的聚合，特征集成模块由两步卷积构成，第一个1×1卷积层用于从信道维度减少特征的数量，第二个卷积层用于从具有3×3核的空间维度进行信息融合，通过集成模块，聚合的特征由
Figure BDA0004151762290000055
表示，添加类编码P指导特征聚合，每类由多个类编码P，其步骤可表示为下式：
Figure BDA0004151762290000056
Integration(·)＝fReLU(fBN(fconv(fReLU(fBN(fconv(·))))))
Figure BDA0004151762290000057
其中
Figure BDA0004151762290000058
为被分离的样本特征；Integration(·)为特征集成模块；
Figure BDA0004151762290000059
表示类编码向量，C、N、K分别表示通道数、每类的编码数和类数。
所述步骤S104中一维距离像特征提取模块的结构如下：
构建都有注意力机制的VGG11网络对HRRP数据进行特征提取，注意力机制采用1D卷积的通道注意力模块(CAM)，能够有效提取到HRRP数据特征，可由下式表示：
hf＝VGG11CAM(h)
其中h表示原始HRRP数据；VGG11CBAM(·)表示带有通道注意力机制的特征提取网络；hf是得到的一维距离像特征。
所述步骤S105中构建HRRP与SAR数据特征融合分类模块，融合HRRP与SAR数据的特征进行目标的分类；
将聚合后的SAR特征，提取出的HRRP特征、HRRP先验信息进行融合得到联合特征，再使用联合特征进行分类，结构如下式所示：
zf＝fflatten(Zaf)
Figure BDA0004151762290000061
fclassifer(·)＝fLinear(fReLU(fLinear(fDropout(·))))
其中，Zaf为按类聚合的SAR影像特征；
Figure BDA0004151762290000062
为展平后的特征；/>
Figure BDA0004151762290000063
为分类结果；fflatten(·)、fclassifer(·)分别为展平操作与分类模型；fDropout(·)为随机失活层，失活比例为0.2。
所述S106对搭建好的多源特征融合分类模型进行有监督的训练，得到合适该模型的参数；
(1)将有标签的训练样本输入到需要训练的网络模型中，输出对训练样本的标签预测；
(2)利用如下交损失函数，计算特征分离损失与聚合损失函数、计算预测标签与真实标签之间的损失函数：
L＝LAgg+LSep+LCls
Figure BDA0004151762290000071
Figure BDA0004151762290000072
Figure BDA0004151762290000073
其中
Figure BDA0004151762290000074
为不同样本之间的特征；/>
Figure BDA0004151762290000075
为样本特征与对应的类的类编码；
Figure BDA0004151762290000076
分别为预测标签与真实标签；Sep(a,b)＝a·b/(||a||2·||b||2)，Agg(a,b)＝-a·b/(||a||2·||b||2)分别为特征分离损失与聚合损失函数；CE(a,b)为交叉熵损失函数；
(3)利用随机梯度下降法对网络参数进行训练，直至网络收敛，并保存最优的网络参数，完成对舰船的分类。
本发明的有益效果：
1、本发明首先对HRRP与SAR数据进行预处理，消除数据中无关的信息，恢复有用的真实信息，增强有关信息的可检测性，提高识别的可靠性、准确度。提取HRRP数据的先验信息，加速模型的收敛。
2、本发明在SAR的特征提取模块中采用先按样本特征分离，再按类特征聚合的策略，能够减弱舰船检测中类间差距小，类内差距大的问题。提高提取特征的有效性，增强舰船分类精度与鲁棒性。
3、本发明采用HRRP与SAR数据特征级融合的方法进行分类，充分结合SAR影像中目标的几何信息与HRRP数据中目标的细节信息，提高了舰船分类的精度以及鲁棒性。
附图说明
图1是本发明实施例提供的舰船分类方法流程图。
图2是本发明实施例提供的SAR预处理流程示意图。
图3是本发明实施例提供的SAR特征分离与聚合模块结构示意图。
图4是本发明实施例提供的HRRP特征提取模块结构示意图。
图5是本发明实施例提供的整体结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明实施方案细节如下，一种基于HRRP与SAR数据特征级融合的舰船分类方法，下面结合附图进一步说明本发明的细节。
如图1所示，本发明提供的基于HRRP与SAR数据特征级融合的舰船分类方法包括以下步骤
S101：输入同一时刻对同一目标的HRRP与SAR探测数据，各自进行预处理，并划分训练集和测试集；
S102：构建SAR影像特征分离模块，降低各个样本间特征的相关性，增加样本特征距离；
S103：构建SAR影像特征聚合模块，将S102输出的已分离样本特征中的同类特征进行聚合，减小类内距离、增大类间距离，增强分类性能；
S104：构建基于注意力机制的一维距离像特征提取模块，提取HRRP中的舰船细节特征；
S105：构建HRRP与SAR数据特征融合分类模块，融合HRRP与SAR数据的特征进行目标的分类；
S106：对搭建好的多源特征融合分类模型进行有监督的训练，得到合适该模型的参数；
S107：将待分类舰船目标数据送入训练好的多源特征融合分类模型中进行分类，得到分类结果
如图1所示，本发明提供的基于HRRP与SAR数据特征级融合的舰船分类方法，其实施过程如下
(1)输入同一时刻对同一目标的HRRP与SAR探测数据，并对SAR影像进行精致Lee滤波、数据增强等预处理操作；对HRRP数据进行归一化与散射中心信息提取。
(1a)为了消除数据中无关的信息以及增强有关信息的可检测性，要分别对HRRP与SAR数据进行预处理。SAR影像首先要进行精致Lee滤波以去除相干斑噪声，精致Lee滤波使用神经网络模型进行模拟，基于自编码器架构，并增加通道注意力机制，之后再进行数据增强，增大训练数据量，预处理步骤可表示为下式：
Figure BDA0004151762290000091
Lee(X)＝X+fconv(Cat(fconv(X)，fCBAM(fReLU(fconv(X)))))
其中
Figure BDA0004151762290000092
分别为输入的与经过预处理后的SAR影像，H、W为影像的大小；Lee(·)为网络模拟的精致Lee滤波；fconv(·)、fReLU(·)分别为卷积和激活操作；Cat(·)表示特征通道维度的拼接；fCBAM(·)表示通道注意力机制；
(1b)HRRP首先要进行归一化以及进行散射中心相关信息的提取，提取目标径向长度、散射中心个数、轮廓偏度、方差等先验信息，其步骤可表示为下式：
hw＝Fenh(Fnorm(h))
hinfo＝Finfo(h)
Figure BDA0004151762290000101
其中h＝[h1，h2,...,hM]表示原始HRRP数据，M表示HRRP数据包含的距离单元总数，hw为预处理输出的HRRP数据，hinfo为提取的HRRP散射中心信息。
(2)构建SAR影像特征分离模块，降低各个样本间特征的相关性，增加样本特征距离。
首先使用ResNet50网络对做了数据增强的一对SAR影像
Figure BDA0004151762290000102
进行特征提取得到特征/>
Figure BDA0004151762290000103
以Batch为单位做处理/>
Figure BDA0004151762290000104
B为Batch大小。构建特征分离模块对不同样本进行特征分离，即将不同样本特征投影到分离度高的特征空间。特征分离模块由卷积层、激活层与批归一化层组成，此结构能够有效投影特征空间，其步骤可表示为下式：
Figure BDA0004151762290000105
Figure BDA0004151762290000106
Figure BDA0004151762290000107
其中
Figure BDA0004151762290000108
是经过不同数据增强变化后的SAR数据；/>
Figure BDA0004151762290000109
是通过ResNet50提取的特征，c、h、w分别是特征的通道数、长、宽；Separate(·)为特征分离模块，将不同样本特征投影到分离度高的特征空间。
(3)构建SAR影像特征聚合模块，将已分离样本特征中的同类特征进行聚合，减小类内距离、增大类间距离，增强分类性能。
(3a)构建集成模块将被分离的样本特征进行降维，同时进行同类特征的聚合，特征集成模块由两步卷积构成，第一个1×1卷积层用于从信道维度减少特征的数量。第二个卷积层用于从具有3×3核的空间维度进行信息融合。通过集成模块，网络可以更好地处理先前分离特征的潜在关系，从而加快类特征聚合过程。聚合的特征由
Figure BDA0004151762290000111
表示。
(3b)为了能够把每类的特征聚合起来，所以添加类编码P指导特征聚合，每类由多个类编码P。其步骤可表示为下式：
Figure BDA0004151762290000112
Integration(·)＝fReLU(fBN(fconv(fReLU(fBN(fconv(·))))))
Figure BDA0004151762290000113
其中
Figure BDA0004151762290000114
为被分离的样本特征；Integration(·)为特征集成模块；
Figure BDA0004151762290000115
表示类编码向量，C、N、K分别表示通道数、每类的编码数和类数。
(4)构建基于注意力机制的一维距离像特征提取模块，提取HRRP中的舰船细节特征。
构建都有注意力机制的VGG11网络对HRRP数据进行特征提取，注意力机制采用1D卷积的通道注意力模块(CAM)，能够有效提取到HRRP数据特征。可由下式表示：
hf＝VGG11CAM(h)
其中h表示原始HRRP数据；VGG11CBAM(·)表示带有通道注意力机制的特征提取网络；hf是得到的一维距离像特征。
(5)构建HRRP与SAR数据特征融合分类模块，融合HRRP与SAR数据的特征进行目标的分类。
将聚合后的SAR特征，提取出的HRRP特征、HRRP先验信息进行融合得到联合特征，再使用联合特征进行分类。结构如下式所示：
zf＝fflatten(Zaf)
Figure BDA0004151762290000121
fclassifer(·)＝fLinear(fReLU(fLinear(fDropout(·))))
其中，Zaf为按类聚合的SAR影像特征；
Figure BDA0004151762290000122
为展平后的特征；/>
Figure BDA0004151762290000123
为分类结果；fflatten(·)、fclassifer(·)分别为展平操作与分类模型；fDropout(·)为随机失活层，失活比例为0.2。
(6)对搭建好的多源特征融合分类模型进行有监督的训练，得到合适该模型的参数。
(6a)将有标签的训练样本输入到需要训练的网络模型中，输出对训练样本的标签预测；
(6b)利用如下交损失函数，计算特征分离损失与聚合损失函数、计算预测标签与真实标签之间的损失函数：
L＝LAgg+LSep+LCls
Figure BDA0004151762290000131
Figure BDA0004151762290000132
Figure BDA0004151762290000133
其中
Figure BDA0004151762290000134
为不同样本之间的特征；/>
Figure BDA0004151762290000136
为样本特征与对应的类的类编码；
Figure BDA0004151762290000135
分别为预测标签与真实标签；Sep(a,b)＝a·b/(||a||2·||b||2)，Agg(a,b)＝-a·b/(||a||2·||b||2)分别为特征分离损失与聚合损失函数；CE(a,b)为交叉熵损失函数。
(6c)利用随机梯度下降法对网络参数进行训练，直至网络收敛，并保存最优的网络参数，完成对舰船的分类
综上，本发明实现了一个由HRRP与SAR数据特征级融合的分类模型，用于舰船分类。
对于本领域的技术人员来说，可以根据以上的技术方案和构思，给出各种相应的改变和变形，而所有的这些改变和变形，都应该包括在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于HRRP与SAR数据特征级融合的舰船分类方法，其特征在于，包括以下步骤；
S101：获取同一时刻对同一舰船目标的HRRP与SAR探测数据，各自进行预处理，并划分训练集和测试集；
S102：构建SAR影像特征分离模块，降低各个探测数据样本间特征的相关性，增加样本特征距离；
S103：构建SAR影像特征聚合模块，将S102输出的已分离样本特征中的同类特征进行聚合，减小类内距离、增大类间距离，增强分类性能；
S104：构建基于注意力机制的一维距离像特征提取模块，提取HRRP中的舰船细节特征；
S105：构建HRRP与SAR数据特征融合分类模块，融合HRRP与SAR数据的特征进行目标分类；
S106：对搭建好的多源特征融合分类模型进行有监督的训练，得到合适该模型的参数；
S107：将待分类舰船目标数据送入训练好的多源特征融合分类模型中进行分类，得到分类结果。
2.根据权利要求1所述的一种基于HRRP与SAR数据特征级融合的舰船分类方法，其特征在于，所述步骤S101中，对SAR影像进行精致Lee滤波、数据增强等预处理操作；对HRRP数据进行归一化与散射中心信息提取。
SAR影像首先要进行精致Lee滤波以去除相干斑噪声，精致Lee滤波使用神经网络模型进行模拟，基于自编码器架构，并增加通道注意力机制，之后再进行数据增强，增大训练数据量，预处理步骤可表示为下式：
Figure FDA0004151762280000024
Figure FDA0004151762280000021
其中
Figure FDA0004151762280000022
分别为输入的与经过预处理后的SAR影像，H、W为影像的大小；Lee(·)为网络模拟的精致Lee滤波；fconv(·)、fReLU(·)分别为卷积和激活操作；Cat(·)表示特征通道维度的拼接；fCBAM(·)表示通道注意力机制；
HRRP首先要进行归一化以及进行散射中心相关信息的提取，提取目标径向长度、散射中心个数、轮廓偏度、方差等先验信息，其步骤可表示为下式：
hw＝Fenh(Fnorm(h))
hinfo＝Finfo(h)
Figure FDA0004151762280000023
其中h＝[h1，h2,...,hM]表示原始HRRP数据，M表示HRRP数据包含的距离单元总数，hw为预处理输出的HRRP数据，hinfo为提取的HRRP散射中心信息。
3.根据权利要求1所述的一种基于HRRP与SAR数据特征级融合的舰船分类方法，其特征在于，所述步骤S102具体为：
首先使用ResNet50网络对做了数据增强的一对SAR影像
Figure FDA0004151762280000031
进行特征提取得到特征
Figure FDA0004151762280000032
以Batch为单位做处理/>
Figure FDA0004151762280000033
B为Batch大小，构建特征分离模块对不同样本进行特征分离，即将不同样本特征投影到分离度高的特征空间，特征分离模块由卷积层、激活层与批归一化层组成，此结构能够有效投影特征空间，其步骤可表示为下式：
Figure FDA0004151762280000034
Figure FDA0004151762280000035
Separate(·)＝fReLU(fBN(fconv(fReLU(fBN(fconv(·))))))
其中
Figure FDA0004151762280000036
是经过不同数据增强变化后的SAR数据；/>
Figure FDA0004151762280000037
是通过ResNet50提取的特征，c、h、w分别是特征的通道数、长、宽；Separate(·)为特征分离模块，将不同样本特征投影到分离度高的特征空间。
4.根据权利要求1所述的一种基于HRRP与SAR数据特征级融合的舰船分类方法，其特征在于，所述步骤S103中SAR影像特征聚合模块的结构如下：
构建集成模块将被分离的样本特征进行降维，同时进行同类特征的聚合，特征集成模块由两步卷积构成，第一个1×1卷积层用于从信道维度减少特征的数量，第二个卷积层用于从具有3×3核的空间维度进行信息融合，通过集成模块，聚合的特征由
Figure FDA0004151762280000038
表示，添加类编码P指导特征聚合，每类由多个类编码P，其步骤可表示为下式：
Figure FDA0004151762280000041
Integration(·)＝fReLU(fBN(fconv(fReLU(fBN(fconv(·))))))
Figure FDA0004151762280000042
其中
Figure FDA0004151762280000043
为被分离的样本特征；Integration(·)为特征集成模块；
Figure FDA0004151762280000044
表示类编码向量，C、N、K分别表示通道数、每类的编码数和类数。
5.根据权利要求1所述的一种基于HRRP与SAR数据特征级融合的舰船分类方法，其特征在于，所述步骤S104中一维距离像特征提取模块的结构如下：
构建都有注意力机制的VGG11网络对HRRP数据进行特征提取，注意力机制采用1D卷积的通道注意力模块(CAM)，能够有效提取到HRRP数据特征，可由下式表示：
hf＝VGG11CAM(h)
其中h表示原始HRRP数据；VGG11CBAM(·)表示带有通道注意力机制的特征提取网络；hf是得到的一维距离像特征。
6.根据权利要求1所述的一种基于HRRP与SAR数据特征级融合的舰船分类方法，其特征在于，所述步骤S105中构建HRRP与SAR数据特征融合分类模块，融合HRRP与SAR数据的特征进行目标的分类；
将聚合后的SAR特征，提取出的HRRP特征、HRRP先验信息进行融合得到联合特征，再使用联合特征进行分类，结构如下式所示：
zf＝fflatten(Zaf)
Figure FDA0004151762280000051
fclassifer(·)＝fLinear(fReLU(fLinear(fDropout(·))))
其中，Zaf为按类聚合的SAR影像特征；
Figure FDA0004151762280000052
为展平后的特征；/>
Figure FDA0004151762280000053
为分类结果；fflatten(·)、fclassifer(·)分别为展平操作与分类模型；fDropout(·)为随机失活层，失活比例为0.2。
7.根据权利要求1所述的一种基于HRRP与SAR数据特征级融合的舰船分类方法，其特征在于，所述S106对搭建好的多源特征融合分类模型进行有监督的训练，得到合适该模型的参数；
(1)将有标签的训练样本输入到需要训练的网络模型中，输出对训练样本的标签预测；
(2)利用如下交损失函数，计算特征分离损失与聚合损失函数、计算预测标签与真实标签之间的损失函数：
L＝LAgg+LSep+LCls
Figure FDA0004151762280000054
Figure FDA0004151762280000055
Figure FDA0004151762280000056
其中
Figure FDA0004151762280000057
为不同样本之间的特征；/>
Figure FDA0004151762280000058
为样本特征与对应的类的类编码；/>
Figure FDA0004151762280000059
分别为预测标签与真实标签；Sep(a,b)＝a·b/(||a||2·||b||2)，Agg(a,b)＝-a·b/(||a||2·||b||2)分别为特征分离损失与聚合损失函数；CE(a,b)为交叉熵损失函数；
(3)利用随机梯度下降法对网络参数进行训练，直至网络收敛，并保存最优的网络参数，完成对舰船的分类。
CN202310321258.0A 2022-12-31 2023-03-29 一种基于hrrp与sar数据特征级融合的舰船分类方法 Pending CN116343041A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022117392194 2022-12-31
CN202211739219.4A CN115909078A (zh) 2022-12-31 2022-12-31 一种基于hrrp与sar数据特征级融合的舰船分类方法

Publications (1)

Publication Number Publication Date
CN116343041A true CN116343041A (zh) 2023-06-27

Family

ID=86484739

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211739219.4A Pending CN115909078A (zh) 2022-12-31 2022-12-31 一种基于hrrp与sar数据特征级融合的舰船分类方法
CN202310321258.0A Pending CN116343041A (zh) 2022-12-31 2023-03-29 一种基于hrrp与sar数据特征级融合的舰船分类方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211739219.4A Pending CN115909078A (zh) 2022-12-31 2022-12-31 一种基于hrrp与sar数据特征级融合的舰船分类方法

Country Status (1)

Country Link
CN (2) CN115909078A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118135420A (zh) * 2024-03-21 2024-06-04 中国科学院空天信息创新研究院 多体制数据融合的舰船识别装置、方法和电子设备
CN118587549A (zh) * 2024-08-05 2024-09-03 杭州电子科技大学 基于hrrp与sar数据可信决策融合的舰船分类方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385319B (zh) * 2023-05-29 2023-08-15 中国人民解放军国防科技大学 一种基于场景认知的雷达图像相干斑滤波方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118135420A (zh) * 2024-03-21 2024-06-04 中国科学院空天信息创新研究院 多体制数据融合的舰船识别装置、方法和电子设备
CN118587549A (zh) * 2024-08-05 2024-09-03 杭州电子科技大学 基于hrrp与sar数据可信决策融合的舰船分类方法

Also Published As

Publication number Publication date
CN115909078A (zh) 2023-04-04

Similar Documents

Publication Publication Date Title
CN114202696B (zh) 基于上下文视觉的sar目标检测方法、装置和存储介质
CN107563372B (zh) 一种基于深度学习ssd框架的车牌定位方法
CN109840521B (zh) 一种基于深度学习的一体化车牌识别方法
Zhang et al. CDNet: A real-time and robust crosswalk detection network on Jetson nano based on YOLOv5
CN116343041A (zh) 一种基于hrrp与sar数据特征级融合的舰船分类方法
CN111898432B (zh) 一种基于改进YOLOv3算法的行人检测系统及方法
CN114022793B (zh) 一种基于孪生网络的光学遥感图像变化检测方法
CN103761531A (zh) 基于形状轮廓特征的稀疏编码车牌字符识别方法
CN114022729B (zh) 基于孪生网络和监督训练的异源图像匹配定位方法和系统
CN111368671A (zh) 基于深度学习的sar图像舰船目标检测识别一体化方法
Gao et al. Synthetic aperture radar image change detection via siamese adaptive fusion network
CN111242061B (zh) 一种基于注意力机制的合成孔径雷达舰船目标检测方法
Nguyen et al. Hybrid deep learning-Gaussian process network for pedestrian lane detection in unstructured scenes
CN109977968A (zh) 一种深度学习分类后比较的sar变化检测方法
Symeonidis et al. Neural attention-driven non-maximum suppression for person detection
CN115656958A (zh) 实时航迹起始和航迹分类的检测方法及检测装置
Osman et al. PlaceNet: A multi-scale semantic-aware model for visual loop closure detection
Zhang et al. A dual-branch siamese spatial-spectral transformer attention network for Hyperspectral Image Change Detection
Ren et al. Object detection using boosted local binaries
Sun et al. A two-stage vehicle type recognition method combining the most effective Gabor features
CN117765404A (zh) 一种基于特征相关性神经网络的复杂场景变化检测方法
Li et al. Target detection in color sonar image based on YOLOV5 network
Zhang et al. Detection of road surface identifiers based on deep learning
CN115761667A (zh) 一种基于改进fcos算法的无人车辆搭载摄像头目标检测方法
Schön et al. Rt-k-net: Revisiting k-net for real-time panoptic segmentation

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