CN116400317B - 基于图卷积的散射拓扑特征构建与空间目标识别方法 - Google Patents
基于图卷积的散射拓扑特征构建与空间目标识别方法 Download PDFInfo
- Publication number
- CN116400317B CN116400317B CN202310671849.0A CN202310671849A CN116400317B CN 116400317 B CN116400317 B CN 116400317B CN 202310671849 A CN202310671849 A CN 202310671849A CN 116400317 B CN116400317 B CN 116400317B
- Authority
- CN
- China
- Prior art keywords
- graph
- scattering
- node
- topological
- module
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims description 42
- 238000005096 rolling process Methods 0.000 claims description 41
- 230000003044 adaptive effect Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 16
- 238000007499 fusion processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明属于雷达信号处理与空间目标探测技术领域,具体涉及一种基于图卷积的散射拓扑特征构建与空间目标识别方法,旨在解决少样本条件下,ISAR空间目标识别方法鲁棒性较差、特征利用率有待提升的问题。本发明方法包括:基于待识别的ISAR目标图像,提取空间目标的散射点;以各散射点为顶点,结合所有散射点的空间位置关系按照最大‑最小角准则进行三角剖分;三角剖分后,以三角形的边作为散射点间的连接关系,并以各散射点为节点,构建拓扑图数据;将拓扑图数据输入预构建的基于图卷积的空间目标识别网络中,输出空间目标识别结果。本发明有效利用空间目标散射拓扑特性,在保证识别准确率的同时,进一步提升了空间目标识别的鲁棒性。
Description
技术领域
本发明属于雷达信号处理与空间目标探测技术领域,具体涉及一种基于图卷积的散射拓扑特征构建与空间目标识别方法、系统及电子设备。
背景技术
随着雷达卫星的快速发展,其在灾害检测、地形测绘与目标识别领域的重要性愈发凸显。与光学探测设备相比,逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)受气象条件影响较小,具备全天时、全天候、高精度、远距离探测的优势,在空间目标探测识别等领域发挥重要作用。
高质量的提取目标特征是提高目标识别准确度,实现空间雷达目标探测、空间目标监视等任务的重要保证。目前,多数空间目标识别算法所用特征仍依赖雷达技术人员手动设计特征,人工设计的目标特征受技术人员主观因素影响大,同时需耗费大量的时间成本。算法阈值需多次实验测试确定,鲁棒性较低,难以保证较高的准确度与时效性。
传统的ISAR识别方法主要通过模板与待测图像匹配完成识别,参数设置复杂导致模型灵活性低下,即特征依赖技术人员手动设置,实验参数的确定需大量实验寻优,时间成本高,利用图像转化高维特征识别,提取特征较为单一,常规卷积神经网络处理非结构化的特征数据较为困难。因此,有必要设计适用于处理非结构化特征数据的神经网络,利用其高效的特征提取与学习能力优化空间目标识别算法性能。
人工智能领域的深度学习算法具备其较强的数据建模与特征提取能力,已经得到各领域研究人员的广泛关注。现有基于深度学习的ISAR空间目标识别方法利用卷积神经网络完成图像的特征提取,但该方法将卫星图像转化为高维向量的建模方式忽略了空间目标的自然拓扑结构,识别效果有限,而且多为“数据驱动”,利用结构化数据进行识别的算法准确率过于依赖训练数据量,参数多,训练复杂度高。由于空间目标数据的获取具有一定局限性,获取大量的成像数据较为困难。空间目标散射点与结构分布作为表征目标的重要特征提取困难、利用率不足。
图卷积(graph convolutional network,GCN)是将传统的卷积神经网络推广到图域,是一种有效的图表示模型。它可以在学习过程中自然地将结构信息和节点特征结合起来,通过聚集来自其他邻居节点(包括自身)的特征向量来描述一个节点。作为神经网络的重要分支,GCN能够捕捉传感器间的空间依赖关系特征,有效保存任意深度的节点特征状态,构建更加准确的节点特征表示。基于此,本发明提出了一种基于图卷积的散射拓扑特征构建与空间目标识别方法。
发明内容
为了解决现有技术中的上述问题,即为了解决现有的ISAR空间目标识别方法,一方面,在少样本条件下利用图像转化高维特征识别,忽略了空间目标的自然拓扑结构,造成特征利用率较低,另一方面,过于依赖训练数据量,参数多,训练复杂度高,导致识别鲁棒性较差的问题,本发明提出了一种基于图卷积的散射拓扑特征构建与空间目标识别方法,该方法包括:
S100,获取待识别空间目标的ISAR图像,作为输入图像;
S200,基于所述输入图像,提取空间目标的散射点;以各散射点为顶点,结合所有散射点的空间位置关系进行三角剖分;三角剖分后,以三角形的边作为散射点间的连接关系,以各散射点为节点,构建拓扑图数据;
S300,将所述拓扑图数据输入预构建的基于图卷积的空间目标识别网络中,得到所述输入图像对应的空间目标识别结果。
在一些优选的实施方式中,以各散射点为顶点,结合所有散射点的空间位置关系进行三角剖分,其方法为:
将各散射点作为顶点,依据最大-最小角准则,利用所有散射点的空间位置关系进行三角剖分。
在一些优选的实施方式中,以各散射点为节点时,各节点其对应的节点特征包括散射点的坐标、散射点的Gabor特征以及散射点的像素值。
在一些优选的实施方式中,所述基于图卷积的空间目标识别网络包括三个依次连接的图卷积单元、一个图分类器;两两图卷积单元之间连接一个图节点加权模块;三个依次连接的图卷积单元分别作为第一图卷积单元、第二图卷积单元、第三图卷积单元;
各图卷积单元均包括图卷积层、图贡献率池化模块;
所述图卷积层,用于对输入的节点及其对应的特征进行图卷积处理,得到散射拓扑特征,并输入与之相连的图贡献率池化模块;
所述图贡献率池化模块,用于按照节点贡献度对所述散射拓扑特征对应的节点进行排序,排序后保留节点贡献度最高的k个节点,并更新节点之间的连接关系;计算更新节点连接关系的散射拓扑特征的权重,作为第一权重因子;结合所述第一权重因子,对保留的节点与其对应的散射拓扑特征相乘后进行加权处理,得到更新后的拓扑特征;所述节点贡献度为利用图卷积计算各个节点的自注意力分数;
所述图节点加权模块,用于对所述更新后的拓扑特征对应的节点进行加权增强处理;将所述第一图卷积单元与所述第二图卷积单元之间的图节点加权模块作为第一图节点加权模块;将所述第二图卷积单元与所述第三图卷积单元之间的图节点加权模块作为第二图节点加权模块;
所述图分类器基于依次连接的线性连层与softmax层构建;所述图分类器其输入为第二自适应融合模块的输出,输出为空间目标识别结果;
所述第二自适应融合模块,用于对所述第一图节点加权模块加权处理后的拓扑特征、所述第二图节点加权模块加权处理后的拓扑特征与所述第三图卷积单元输出的拓扑特征的和进行自适应融合处理;
第一自适应融合模块,用于对所述第一图卷积单元输出的拓扑特征与所述第一图节点加权模块加权处理后的拓扑特征进行自适应融合处理;
所述第二图节点加权模块的输入为所述第一自适应融合模块的输出与所述第二图卷积单元的输出的加和结果。
在一些优选的实施方式中,所述更新后的拓扑特征,其获取方法为:
其中,、/>表示节点及其对应的节点特征,即图卷积层的输入,/>表示tanh激活函数,/>表示图卷积处理,/>表示归一化处理,/>表示经图卷积层处理后输出的散射拓扑特征,/>表示top-k的散射点选取方法,/>表示第一权重因子,/>表示图贡献率池化模块的输出,即更新后的拓扑特征。
在一些优选的实施方式中,对所述更新后的拓扑特征对应的节点进行加权增强处理,其方法为:
其中,表示节点/>加权增强处理后的特征,/>为激活函数,/>表示与节点/>相关的邻居节点的个数,/>表示节点/>的邻居节点,/>表示邻居节点/>对节点/>的重要性,表示特征拼接处理,/>、/>分别表示节点/>未加权增强处理的特征、邻居节点/>未加权增强处理的特征,/>表示LeakyReLU激活函数,/>表示转置,/>表示第二权重因子,/>表示可学习的超参数,可随网络训练趋近于最优值,/>表示可学习的权重矩阵参数。
在一些优选的实施方式中,所述第一自适应融合模块、所述第二自适应融合模块进行自适应融合处理的方法为:
其中,表示自适应融合模块的输出,/>、/>均表示自适应融合模块的输入,/>表示/>激活函数,/>表示自适应融合比例因子,/>表示第三权重因子,其值可在图神经网络训练过程中向着梯度优化的方向迭代更新,最后收敛到最优的融合权值。
本发明的第二方面,提出了一种基于图卷积的散射拓扑特征构建与空间目标识别系统,该系统包括:图像获取模块、图构建模块、空间目标识别模块;
所述图像获取模块,配置为获取待识别空间目标的ISAR图像,作为输入图像;
所述图构建模块,配置为基于所述输入图像,提取空间目标的散射点;以各散射点为顶点,结合所有散射点的空间位置关系进行三角剖分;三角剖分后,以三角形的边作为散射点间的连接关系,以各散射点为节点,构建拓扑图数据;
所述空间目标识别模块,配置为将所述拓扑图数据输入预构建的基于图卷积的空间目标识别网络中,得到所述输入图像对应的空间目标识别结果。
本发明的第三方面,提出了一种电子设备,包括:至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于图卷积的散射拓扑特征构建与空间目标识别方法。
本发明的第四方面,提出了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指令,所述计算机指令用于被所述计算机执行以实现上述的基于图卷积的散射拓扑特征构建与空间目标识别方法。
本发明的有益效果:
本发明有效利用空间目标散射拓扑特性,在保证识别准确率的同时,进一步提升了空间目标识别的鲁棒性。
1)本发明将空间目标成像结果建模为散射拓扑特征进行识别,极大增强了模型的泛化能力和表达能力。结合散射拓扑特征训练模型,使识别模型能够充分学习目标的全局性与局部性特征,利于更准确的捕获目标的散射拓扑结构;而且构建的散射拓扑特征对大数据样本的依赖性较低,设计的基于图卷积的空间目标识别网络能够较好的处理非结构化的拓扑数据,特征学习能力强,数据利用率高;
2)本发明设计的网络能够使图卷积对重要节点赋予更高的关注度,同时可有效融合上下文的重要信息,降低了信息损失的风险,提出的基于图卷积的空间目标识别网络在训练迭代中,需学习的参数更少,计算负担更少。与基于图像的方法相比,本发明提出的基于图卷积的识别方法利用散射拓扑特征,耗费的计算资源低,实时性更好,对复杂的动态环境具备更优的鲁棒性;
3)本发明设计了综合考虑节点特征与图形拓扑的图贡献率池化方式,在降低运算量的同时使信息丢失最少,利于识别效果提升的重要节点特征得到增强;传统的图卷积网络中,度越大的节点,其度中心性越高,难以根据任务需求实现权重的自适应调整。本发明设计的图节点加权模块可结合节点的邻居属性来调整节点的权重,用于复杂度较高的拓扑图,可准确提取出其中较为重要的节点特征,有效避免参数冗余,提升了识别网络的学习速度;Adaptive Mix模块则实现了分层特征的自适应加权融合,融合因子可随网络训练得到自适应的优化更新,自动求取最优的融合比例,利于空间目标识别效果的进一步提升。
4)本发明方法从多角度、多层次考虑到了节点之间以及节点自身的相关特征,综合运用了各个节点之间的相关性。进一步地,对算法进行适应性改进,对输入特征的类别动态相关性进行建模,增强输入特征之间的语义动态相关性。随着卷积层的不断深入,节点的特征信息被传递给其他节点,使得深层特征包含更明确的节点特征信息和更详细的语义信息,将浅层特征和深层特征进行自适应特征融合,使利于提升识别效果的重要散射特征得以保留,利于空间目标识别准确度的进一步提升。实验结果表明,本发明可较好实现少样本条件下的散射拓扑特征分析与空间目标识别任务,应用价值较高。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述,本申请的其他特征、目的和优点将会变得更明显。
图1 是本发明一种实施例的一种基于图卷积的散射拓扑特征构建与空间目标识别方法的简略流程示意图;
图2为本发明一种实施例的一种基于图卷积的散射拓扑特征构建与空间目标识别系统的框架示意图;
图3为本发明一种实施例的散射拓扑特征的构建过程的示意图;
图4为本发明一种实施例的Harris算法检测得到的散射点的示意图;
图5为本发明一种实施例的散射拓扑特征的示意图;
图6为本发明一种实施例的基于图卷积的散射拓扑识别网络的结构示意图;
图7为本发明一种实施例的图贡献率池化模块的示意图;
图8是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明第一实施例的一种基于图卷积的散射拓扑特征构建与空间目标识别方法,如图1所示,该方法包括:
S100,获取待空间目标识别的ISAR图像,作为输入图像;
S200,基于所述输入图像,提取空间目标的散射点;以各散射点为顶点,结合所有散射点的空间位置关系进行三角剖分;三角剖分后,以三角形的边作为散射点间的连接关系,以各散射点为节点,构建拓扑图数据;
S300,将所述拓扑图数据输入预构建的基于图卷积的空间目标识别网络中,得到所述输入图像对应的空间目标识别结果。
为了更清晰地对本发明一种基于图卷积的散射拓扑特征构建与空间目标识别方法进行说明,下面结合附图,对本发明方法一种实施例中各步骤进行展开详述。
空间目标的准确识别对太空环境监视、太空事件预断具有重要意义。针对传统识别方法依赖技术人员人工判读、实验参数的选定耗时费力的问题,本发明提出了基于图卷积神经网络的散射拓扑特征构建与目标识别一体化算法,即基于图卷积的散射拓扑特征构建与空间目标识别方法,改善了传统算法对专家经验的依赖性;针对空间目标数据获取困难,较少的数据量与较高的标注成本阻碍识别效果提升的问题,本发明有效利用空间目标散射点及其空间分布构建散射拓扑特征,无需进行大量实验手动设置参数,而且由于散射拓扑特征具有较高的类内相似性与类间差异性,仅利用少量标注数据即实现了空间目标的准确识别,提升了数据利用率;针对现有识别算法训练复杂度高、鲁棒性不足,对非结构化的数据处理能力不足的问题,本发明设计的基于图卷积的识别网络能够有效处理散射拓扑特征,鲁棒性较高;提出的特征融合权重因子可随损失函数自适应迭代更新,大幅降低了手动调参的复杂性;针对算法参数冗余的问题,本发明设计了综合考虑节点特征与图形拓扑的图贡献率池化方式,在降低运算量的同时使信息丢失最小化,取得了较好的实验效果。
在下述实施例中,先对基于图卷积的空间目标识别网络的构建以及训练过程进行详述,再对通过基于图卷积的散射拓扑特征构建与空间目标识别方法获取ISAR图像对应的空间目标识别结果的过程进行详述。
1、基于图卷积的空间目标识别网络的构建以及训练
A100,获取ISAR图像,提取空间目标的散射点;以各散射点为顶点,结合所有散射点的空间位置关系进行三角剖分;三角剖分后,以三角形的边作为散射点间的连接关系,以各散射点为节点,构建拓扑图数据。
现有ISAR空间目标识别方法多处理结构化的数据,利用卷积神经网络完成图像的特征提取和识别。数据结构单一、特征利用率低。现有方法将空间目标图像转化为高维向量的建模方式忽略了空间目标的散射拓扑结构,识别能力有限。而空间目标部件的材质不同、对雷达波的反射角度不同,会呈现不同的散射强度。体现在雷达成像上,即为不同的散射点亮度信息。利用主要散射点及其空间位置关系,能够构建表征目标形状轮廓的拓扑特征。将卫星建模为属性拓扑图实现了数据的充分利用,改善了卷积算子提取特征维度较低的缺陷,极大增强了模型的泛化能力和表达能力。
如图3所示,在本实施例中,先基于ISAR图像提取空间目标的散射点,本发明优选使用检测准确度更高、阈值设定更简单,检测所得散射点空间分布更均匀的Shi-Tomasi角点检测算法提取散射点,使得提取到的散射点空间分布更均匀。避免了其他角点检测算法在不同程度上出现散射点漏检、或部分散射点簇过分聚集的现象,解决了其他角点检测算法难以用于空间目标散射拓扑特征的构建的问题。
而且为避免训练参数爆炸,结合空间目标形状尺度特征,以及局部搜索对散射点进行寻优。当检测所得散射点数量大于或小于二十点时,通过自适应优化检测参数,设定每类空间目标散射点数为二十。对上述散射点进行编码,保存散射点位置信息。
提取散射点后,在满足“最大-最小角”优化准则的条件下,将上述散射点作为顶点,利用散射点空间位置关系进行三角剖分。三角剖分后所得各三角形的边作为散射点之间的连接关系,如图5所示。本发明优选采用Delaunay算法。图4为Harris算法提取的散射点的示例图,对比图5可以看出,本申请的角点检测算法提取的散射点的准确度更高、空间分布更均匀。
将Shi-Tomasi角点检测算法提取的散射点作为节点V,散射点的坐标,散射点的特征Gabor/>以及散射点的像素值Pixel/>作为节点特征/>,N为提取的散射点的个数,以散射点之间的连接关系作为边E,建立拓扑图数据G={V,E}。
A200,基于散射拓扑特征,构建训练样本集,并将训练样本集中的训练样本输入预构建的基于图卷积的空间目标识别网络中,获取空间目标识别结果;
在本实施例中,基于散射拓扑特征及其对应的空间目标识别结果的真值标签,作为训练样本构建训练集。本发明中,训练样本集、验证样本集、测试样本集数据比例为1:1:1。
为了充分利用现有数据,实现少样本条件下的空间目标准确识别,本发明设计了基于图卷积的空间目标识别网络架构,网络架构如图6所示:
基于图卷积的空间目标识别网络串行连接了三个图卷积(Gconv)与图贡献率池化模块(Graph Contributive pooling,GCpooling),用于节点特征的传播以及特征提取,GCpooling能够有效避免过拟合,仅利用较少的参数即实现了端到端的拓扑分层表示。每个图卷积单元之间使用图节点加权模块(Graph weighted layer, Gwt)增强主要节点的权重,Gwt模块通过计算相邻节点特征变换的加权平均衡量邻居节点对当前节点的特征贡献度,实现了节点特征传播的动态调整,提升分类效果。为促进误差的反向传播,本发明提出了自适应融合深层与浅层特征,同时优化拓扑结构的自适应融合模块(AdaptiveMix)。模块设计了可学习的融合参数,可随损失函数的训练过程自适应迭代更新,使得利于提升识别结果的重要节点特征具备更高的贡献率。具体如下:
本发明基于图卷积的空间目标识别网络,如图3所示,包括三个依次连接的图卷积单元、一个图分类器;三个依次连接的图卷积单元分别作为第一图卷积单元、第二图卷积单元、第三图卷积单元;各图卷积单元均包括图卷积层、图贡献率池化模块;
图卷积层,用于对输入的节点及其对应的特征进行图卷积处理,得到散射拓扑特征,并输入与之相连的图贡献率池化模块;其中,第一图卷积单元中的图卷积层的输入为节点及其对应的节点特征,第二图卷积单元中的图卷积层的输入为更新后的节点(即top-k散射点选取方法选取的节点)及第一图节点加权模块输出的拓扑特征;第二图卷积单元中的图卷积层的输入为更新后的节点及第二图节点加权模块输出的拓扑特征。
图卷积处理后,基于数据维数和训练成本考虑,本发明在网络设计时,希望重要的散射节点及其特征能够得到更多重视,不重要的节点特征设置为较小的权值,并利用图贡献率池化模块完成重要节点的优化筛选,从而在保证识别准确度的同时降低运算量,缓解过拟合的风险,因此,图贡献率池化模块对图卷积处理后的散射拓扑特征的处理过程为:第一步,利用图卷积处理节点特征,对得到的节点特征归一化后,利用tanh激活函数处理,得到散射拓扑特征;第二步,利用top-k散射点选取方法处理GCPooling模块的输入,按照节点贡献度分数排序,保留贡献度分数最高的k个节点,更新节点之间的连接关系。将归一化之后的节点贡献度作为权重因子;第三步,将第一步与第二步输出相乘,完成拓扑特征的优化更新(GCpooling模块的输出)。图贡献率池化模块用于按照节点贡献度对所述散射拓扑特征对应的节点进行排序,排序后保留节点贡献度最高的k个节点,并更新节点之间的连接关系;计算更新节点连接关系的散射拓扑特征的权重,作为第一权重因子;结合所述第一权重因子,对保留的节点与其对应的散射拓扑特征相乘后进行加权处理,得到更新后的拓扑特征;所述节点贡献度为利用图卷积计算各个节点的自注意力分数。具体如下述公式所示:
(1)
(2)
(3)
其中,、/>表示节点及其对应的节点特征,即图卷积层的输入,/>表示tanh激活函数,/>表示图卷积处理,/>表示归一化处理,/>表示经图卷积层处理后输出的散射拓扑特征,/>表示top-k的散射点选取方法,/>表示第一权重因子,/>表示图贡献率池化模块的输出,即更新后的拓扑特征。
注意力机制在基于卷积神经网络的识别任务中取得了较好的实验效果。由于电磁环境、组成材料和反射角度差异,空间目标不同部位散射点回波幅值差异大。利用散射拓扑特征完成空间目标分类的过程中,同类目标中的相似性特征、异类目标中的区分性特征均应赋予更高的分类权重。传统相邻节点贡献度计算为静态结构,所有节点具有相同的贡献属性。然而在实际应用中,节点之间的相互作用更复杂,节点间的亲和度、邻居节点特征向量的不同使得不同节点具有不同的贡献排名。受传统卷积网络注意力机制的启发,本发明提出了图节点加权模块,用于增强主要散射点对空间目标分类结果的特征贡献度。其中,图节点加权模块设置于两两图卷积单元之间。将所述第一图卷积单元与所述第二图卷积单元之间的图节点加权模块作为第一图节点加权模块;将所述第二图卷积单元与所述第三图卷积单元之间的图节点加权模块作为第二图节点加权模块;
第一图节点加权模块、第二图节点加权模块,用于对所述更新后的拓扑特征对应的节点进行加权增强处理;其中,第一图节点加权模块的输入为第一图卷积单元的输出、第二图节点加权模块的输入为第一自适应融合模块的输出与第二图卷积单元的输出的加和结果;具体如下:
先计算邻居节点 对节点 />的重要性:
(4)
图节点加权模块通过计算相邻节点特征变换的加权平均,来衡量邻居节点对本节点/>的特征贡献度,实现了节点特征传播的动态调整。节点 />增强后的特征/>如下:
(5)
其中,表示节点/>加权增强处理后的特征,/>为激活函数,本发明中优选设置为tanh激活函数,在其他实施例中可以设置为其他激活函数,/>表示与节点/>相关的邻居节点的个数,/>表示节点/>的邻居节点,/>表示邻居节点/>对节点/>的重要性,/>表示特征拼接处理,/>、/>分别表示节点/>未加权增强处理的特征、邻居节点/>未加权增强处理的特征,/>表示LeakyReLU激活函数,/>表示转置,/>表示第二权重因子,/>表示可学习的超参数,可随网络训练趋近于最优值,/>表示可学习的权重矩阵参数。
图卷积网络在处理散射拓扑特征的过程中,浅层的节点特征不可避免会存在丢失现象。深层拓扑主要包括用于空间目标识别的语义特征,浅层拓扑同样包含较多利于提升识别效果的重要信息。实验发现,经由图卷积神经网络处理后的分层特征囊括的信息存在一定差异。若直接提取到的浅层拓扑与图卷积处理后的特征参量相连,可能造成部分区分度较高的特征混叠。针对上述问题,本发明设计了Adaptive Mix模块,实现了节点拓扑与分层特征的自适应融合,如图6所示,两个自适应融合模块分别作为第一自适应融合模块、第二自适应融合模块。
经过一个Gconv+GCpooling处理后的拓扑特征,以及经过Gwt模块处理后的拓扑特征/>作为第一个Adaptive Mix模块的输入,输出/>与第二图卷积单元的输出的加和作为第二图节点加权模块的输入。第二个Adaptive Mix模块的输入为/>与/>,其中,/>为经过两个Gconv+GCpooling模块以及两个Gwt模块优化后的散射拓扑特征,/>为第三个Gconv+GCpooling模块运算后的输出,经过多层图卷积层处理后得到的拓扑特征输入图分类器中。
第一个Adaptive Mix模块,即第一自适应融合模块,用于对第一图卷积单元输出的拓扑特征与第一图节点加权模块加权处理后的拓扑特征进行自适应融合处理。
第二Adaptive Mix模块,用于对第一图节点加权模块加权处理后的拓扑特征、第二图节点加权模块加权处理后的拓扑特征与第三图卷积单元输出的拓扑特征的和进行自适应融合处理。
其中,自适应融合处理的方法为:
(6)
(7)
其中,表示自适应融合模块的输出,/>、/>均表示自适应融合模块的输入,/>表示/>激活函数,/>表示自适应融合比例因子,/>表示第三权重因子,其值可在图神经网络训练过程中向着梯度优化的方向迭代更新,最后收敛到最优的融合权值。
所述图分类器基于依次连接的线性连接层与softmax层构建;所述图分类器其输入为第二自适应融合模块的输出。网络架构最终的输出为空间目标识别结果;
构建好网络后,将训练样本中的散射拓扑特征输入预构建的基于图卷积的空间目标识别网络,获取空间目标识别结果。
A300,基于网络输出的空间目标识别结果以及对应的真值标签,计算损失值,进而更新基于图卷积的空间目标识别网络的网络参数。
在本实施例中,基于空间目标识别结果以及对应的真值标签,优选通过负对数似然损失函数NLLLoss 计算损失值,进而基于损失值更新基于图卷积的空间目标识别网络的网络参数。本发明不使用数据增强,学习率为0.005,使用Adam优化器优化训练。
A400,对基于图卷积的空间目标识别网络进行循环训练,直至得到训练好的基于图卷积的空间目标识别网络权重。
在本实施例中,设置总训练轮数为60次时得到最优的识别结果。训练数据集共1500例图,总计五类空间目标,每类目标300例图数据。验证与测试数据集数量与训练数据集相同。
2、基于图卷积的散射拓扑特征构建与空间目标识别方法
S100,获取待识别空间目标的ISAR图像,作为输入图像;
在本实施例中,先获取待识别空间目标的ISAR图像。
S200,基于所述输入图像,提取空间目标的散射点;以各散射点为顶点,结合所有散射点的空间位置关系进行三角剖分;三角剖分后,以三角形的边作为散射点间的连接关系,以各散射点为节点,构建拓扑图数据;
在本实施例中,优选使用Shi-Tomasi角点检测算法提取空间目标的散射点,然后优选使用Delaunay算法,以各散射点为顶点,结合所有散射点的空间位置关系进行三角剖分;三角剖分后,以三角形的边作为散射点间的连接关系,以各散射点为节点,构建拓扑图数据。
S300,将所述拓扑图数据输入预构建的基于图卷积的空间目标识别网络中,得到所述输入图像对应的空间目标识别结果。
在本实施例中,将拓扑图数据输入上述训练好的基于图卷积的空间目标识别网络,得到空间目标识别结果。
本发明提出的方法可直接利用输入的ISAR图像完成散射特征分析,可直接提取拓扑特征并完成一体化目标识别任务。实验结果较好,具有较高的应用价值。
本发明第二实施例的一种基于图卷积的散射拓扑特征构建与空间目标识别系统,如图2所示,该系统包括:图像获取模块100、图构建模块200、空间目标识别模块300;
所述图像获取模块100,配置为获取待识别的空间目标的ISAR图像,作为输入图像;
所述图构建模块200,配置为基于所述输入图像,提取空间目标的散射点;以各散射点为顶点,结合所有散射点的空间位置关系进行三角剖分;三角剖分后,以三角形的边作为散射点间的连接关系,以各散射点为节点,构建拓扑图数据;
所述空间目标识别模块300,配置为将所述拓扑图数据输入预构建的基于图卷积的空间目标识别网络中,得到所述输入图像对应的空间目标识别结果。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的系统的具体的工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的一种基于图卷积的散射拓扑特征构建与空间目标识别系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种电子设备,至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的一种基于图卷积的散射拓扑特征构建与空间目标识别方法。
本发明第四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指令,所述计算机指令用于被所述计算机执行以实现上述的一种基于图卷积的散射拓扑特征构建与空间目标识别方法。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的电子设备、计算机可读存储介质的具体工作过程及有关说明,可以参考前述方法实例中的对应过程,在此不再赘述。
下面参考图8,其示出了适于用来实现本申请方法、系统、电子设备、计算机可读存储介质实施例的服务器的计算机系统的结构示意图。图8示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统包括中央处理单元(CPU,Central Processing Unit)801,其可以根据存储在只读存储器(ROM,Read Only Memory)802中的程序或者从存储部分808加载到随机访问存储器(RAM,Random Access Memory)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统操作所需的各种程序和数据。CPU 801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O,Input/Output)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种基于图卷积的散射拓扑特征构建与空间目标识别方法,其特征在于,该方法包括:
S100,获取待识别空间目标的ISAR图像,作为输入图像;
S200,基于所述输入图像,提取空间目标的散射点;以各散射点为顶点,结合所有散射点的空间位置关系进行三角剖分;三角剖分后,以三角形的边作为散射点间的连接关系,以各散射点为节点,构建拓扑图数据;
S300,将所述拓扑图数据输入预构建的基于图卷积的空间目标识别网络中,得到所述输入图像对应的空间目标识别结果;
所述基于图卷积的空间目标识别网络包括三个依次连接的图卷积单元、一个图分类器;两两图卷积单元之间连接一个图节点加权模块;三个依次连接的图卷积单元分别作为第一图卷积单元、第二图卷积单元、第三图卷积单元;
各图卷积单元均包括图卷积层、图贡献率池化模块;
所述图卷积层,用于对输入的节点及其对应的特征进行图卷积处理,得到散射拓扑特征,并输入与之相连的图贡献率池化模块;
所述图贡献率池化模块,用于按照节点贡献度对所述散射拓扑特征对应的节点进行排序,排序后保留节点贡献度最高的k个节点,并更新节点之间的连接关系;计算更新节点连接关系的散射拓扑特征的权重,作为第一权重因子;结合所述第一权重因子,对保留的节点与其对应的散射拓扑特征相乘后进行加权处理,得到更新后的拓扑特征;所述节点贡献度为利用图卷积计算各个节点的自注意力分数;
所述图节点加权模块,用于对所述更新后的拓扑特征对应的节点进行加权增强处理;将所述第一图卷积单元与所述第二图卷积单元之间的图节点加权模块作为第一图节点加权模块;将所述第二图卷积单元与所述第三图卷积单元之间的图节点加权模块作为第二图节点加权模块;
所述图分类器基于依次连接的线性连接层与softmax层构建;所述图分类器其输入为第二自适应融合模块的输出,输出为空间目标识别结果;
所述第二自适应融合模块,用于对所述第一图节点加权模块加权处理后的拓扑特征、所述第二图节点加权模块加权处理后的拓扑特征与所述第三图卷积单元输出的拓扑特征的和进行自适应融合处理;
第一自适应融合模块,用于对所述第一图卷积单元输出的拓扑特征与所述第一图节点加权模块加权处理后的拓扑特征进行自适应融合处理;
所述第二图节点加权模块的输入为所述第一自适应融合模块的输出与所述第二图卷积单元的输出的加和结果。
2.根据权利要求1所述的一种基于图卷积的散射拓扑特征构建与空间目标识别方法,其特征在于,以各散射点为顶点,结合所有散射点的空间位置关系进行三角剖分,其方法为:
将各散射点作为顶点,依据最大-最小角为准则,利用所有散射点的空间位置关系进行三角剖分。
3.根据权利要求2所述的一种基于图卷积的散射拓扑特征构建与空间目标识别方法,其特征在于,以各散射点为节点时,各节点其对应的节点特征包括散射点的坐标、散射点的Gabor特征以及散射点的像素值。
4.根据权利要求3所述的一种基于图卷积的散射拓扑特征构建与空间目标识别方法,其特征在于,所述更新后的拓扑特征,其获取方法为:
;
;
;
其中,、/>表示节点及其对应的节点特征,即图卷积层的输入,/>表示tanh激活函数,/>表示图卷积处理,/>表示归一化处理,/>表示经图卷积层处理后输出的散射拓扑特征,/>表示top-k的散射点选取方法,/>表示第一权重因子,/>表示图贡献率池化模块的输出,即更新后的拓扑特征。
5.根据权利要求4所述的一种基于图卷积的散射拓扑特征构建与空间目标识别方法,其特征在于,对所述更新后的拓扑特征对应的节点进行加权增强处理,其方法为:
;
;
其中,表示节点/>加权增强处理后的特征,/>为激活函数,/>表示与节点/>相关的邻居节点的个数,/>表示节点/>的邻居节点,/>表示邻居节点/>对节点/>的重要性,/>表示特征拼接处理,/>、/>分别表示节点/>未加权增强处理的特征、邻居节点/>未加权增强处理的特征,/>表示LeakyReLU激活函数,/>表示转置,/>表示第二权重因子,/>表示可学习的超参数,可随网络训练趋近于最优值,/>表示可学习的权重矩阵参数。
6.根据权利要求5所述的一种基于图卷积的散射拓扑特征构建与空间目标识别方法,其特征在于,所述第一自适应融合模块、所述第二自适应融合模块进行自适应融合处理的方法为:
;
;
其中,表示自适应融合模块的输出,/>、/>均表示自适应融合模块的输入,表示/>激活函数,/>表示自适应融合比例因子,/>表示第三权重因子,其值可在图神经网络训练过程中向着梯度优化的方向迭代更新,最后收敛到最优的融合权值。
7.一种基于图卷积的散射拓扑特征构建与空间目标识别系统,其特征在于,该系统包括:图像获取模块、图构建模块、空间目标识别模块;
所述图像获取模块,配置为获取待识别空间目标的ISAR图像,作为输入图像;
所述图构建模块,配置为基于所述输入图像,提取空间目标的散射点;以各散射点为顶点,结合所有散射点的空间位置关系进行三角剖分;三角剖分后,以三角形的边作为散射点间的连接关系,以各散射点为节点,构建拓扑图数据;
所述空间目标识别模块,配置为将所述拓扑图数据输入预构建的基于图卷积的空间目标识别网络中,得到所述输入图像对应的空间目标识别结果;
所述基于图卷积的空间目标识别网络包括三个依次连接的图卷积单元、一个图分类器;两两图卷积单元之间连接一个图节点加权模块;三个依次连接的图卷积单元分别作为第一图卷积单元、第二图卷积单元、第三图卷积单元;
各图卷积单元均包括图卷积层、图贡献率池化模块;
所述图卷积层,用于对输入的节点及其对应的特征进行图卷积处理,得到散射拓扑特征,并输入与之相连的图贡献率池化模块;
所述图贡献率池化模块,用于按照节点贡献度对所述散射拓扑特征对应的节点进行排序,排序后保留节点贡献度最高的k个节点,并更新节点之间的连接关系;计算更新节点连接关系的散射拓扑特征的权重,作为第一权重因子;结合所述第一权重因子,对保留的节点与其对应的散射拓扑特征相乘后进行加权处理,得到更新后的拓扑特征;所述节点贡献度为利用图卷积计算各个节点的自注意力分数;
所述图节点加权模块,用于对所述更新后的拓扑特征对应的节点进行加权增强处理;将所述第一图卷积单元与所述第二图卷积单元之间的图节点加权模块作为第一图节点加权模块;将所述第二图卷积单元与所述第三图卷积单元之间的图节点加权模块作为第二图节点加权模块;
所述图分类器基于依次连接的线性连接层与softmax层构建;所述图分类器其输入为第二自适应融合模块的输出,输出为空间目标识别结果;
所述第二自适应融合模块,用于对所述第一图节点加权模块加权处理后的拓扑特征、所述第二图节点加权模块加权处理后的拓扑特征与所述第三图卷积单元输出的拓扑特征的和进行自适应融合处理;
第一自适应融合模块,用于对所述第一图卷积单元输出的拓扑特征与所述第一图节点加权模块加权处理后的拓扑特征进行自适应融合处理;
所述第二图节点加权模块的输入为所述第一自适应融合模块的输出与所述第二图卷积单元的输出的加和结果。
8.一种电子设备,其特征在于,包括:
至少一个处理器;以及与至少一个所述处理器通信连接的存储器;
其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1-6任一项所述的基于图卷积的散射拓扑特征构建与空间目标识别方法。
9.一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指令,所述计算机指令用于被所述计算机执行以实现权利要求1-6任一项所述的基于图卷积的散射拓扑特征构建与空间目标识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310671849.0A CN116400317B (zh) | 2023-06-08 | 2023-06-08 | 基于图卷积的散射拓扑特征构建与空间目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310671849.0A CN116400317B (zh) | 2023-06-08 | 2023-06-08 | 基于图卷积的散射拓扑特征构建与空间目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116400317A CN116400317A (zh) | 2023-07-07 |
CN116400317B true CN116400317B (zh) | 2023-08-18 |
Family
ID=87014614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310671849.0A Active CN116400317B (zh) | 2023-06-08 | 2023-06-08 | 基于图卷积的散射拓扑特征构建与空间目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116400317B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6563451B1 (en) * | 2002-01-16 | 2003-05-13 | Raytheon Company | Radar imaging system and method |
CN113095417A (zh) * | 2021-04-16 | 2021-07-09 | 西安电子科技大学 | 基于融合图卷积和卷积神经网络的sar目标识别方法 |
CN113963081A (zh) * | 2021-10-11 | 2022-01-21 | 华东师范大学 | 一种基于图卷积网络的图像图表智能合成方法 |
WO2022257578A1 (zh) * | 2021-06-07 | 2022-12-15 | 京东科技信息技术有限公司 | 用于识别文本的方法和装置 |
CN116152619A (zh) * | 2023-02-17 | 2023-05-23 | 西北工业大学 | 一种基于图的sar目标散射特征与图像特征融合识别方法 |
WO2023093205A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国银联股份有限公司 | 一种实体标签关联预测方法、装置及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11741728B2 (en) * | 2020-04-15 | 2023-08-29 | Toyota Research Institute, Inc. | Keypoint matching using graph convolutions |
US11798225B2 (en) * | 2021-08-11 | 2023-10-24 | Here Global B.V. | 3D building generation using topology |
-
2023
- 2023-06-08 CN CN202310671849.0A patent/CN116400317B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6563451B1 (en) * | 2002-01-16 | 2003-05-13 | Raytheon Company | Radar imaging system and method |
CN113095417A (zh) * | 2021-04-16 | 2021-07-09 | 西安电子科技大学 | 基于融合图卷积和卷积神经网络的sar目标识别方法 |
WO2022257578A1 (zh) * | 2021-06-07 | 2022-12-15 | 京东科技信息技术有限公司 | 用于识别文本的方法和装置 |
CN113963081A (zh) * | 2021-10-11 | 2022-01-21 | 华东师范大学 | 一种基于图卷积网络的图像图表智能合成方法 |
WO2023093205A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国银联股份有限公司 | 一种实体标签关联预测方法、装置及计算机可读存储介质 |
CN116152619A (zh) * | 2023-02-17 | 2023-05-23 | 西北工业大学 | 一种基于图的sar目标散射特征与图像特征融合识别方法 |
Non-Patent Citations (1)
Title |
---|
"基于CNN的高速运动目标ISAR成像方法研究";张 宇等;《电光与控制》;第30卷(第2期);第99-105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116400317A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Angra et al. | Machine learning and its applications: A review | |
CN111161229B (zh) | 一种基于几何主动轮廓模型和稀疏自编码的变化检测方法 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN110378297A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN109859209B (zh) | 遥感影像分割方法、装置及存储介质、服务器 | |
CN113392931B (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
CN110210493B (zh) | 基于非经典感受野调制神经网络的轮廓检测方法及系统 | |
Chen et al. | Image recognition algorithm based on artificial intelligence | |
CN111127364A (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
CN113592060A (zh) | 一种神经网络优化方法以及装置 | |
CN111797833A (zh) | 一种面向遥感语义分割的自动化机器学习方法及系统 | |
Chew et al. | Large-scale 3D point-cloud semantic segmentation of urban and rural scenes using data volume decomposition coupled with pipeline parallelism | |
Zhang et al. | Joint information fusion and multi-scale network model for pedestrian detection | |
Li et al. | Deep learning-based garbage image recognition algorithm | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN111209813B (zh) | 基于迁移学习的遥感图像语义分割方法 | |
CN116400317B (zh) | 基于图卷积的散射拓扑特征构建与空间目标识别方法 | |
Duan | Automatic identification of conodont species using fine-grained convolutional neural networks | |
CN116977265A (zh) | 缺陷检测模型的训练方法、装置、计算机设备和存储介质 | |
Ke et al. | An automatic instrument recognition approach based on deep convolutional neural network | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
Lguensat et al. | Convolutional neural networks for the segmentation of oceanic eddies from altimetric maps | |
CN112507826A (zh) | 一种端到端生态变化监测方法、终端、计算机设备及介质 | |
CN112541915A (zh) | 用于高分辨率图像的高效布匹缺陷检测方法、系统及设备 | |
Ye et al. | Application of convolutional neural network in fusion and classification of multi-source remote sensing data |
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 |