欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019103620371
申请人: 电子科技大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于注意力金字塔网络的SAR图像多尺度舰船检测方法,其特征在于,采用密集注意力金字塔网络DAPN,提取合成孔径雷达SAR图像的特征,实现对多尺度舰船的检测,所述DAPN包括自底向上的前向网络、横向连接和自顶而下的卷积块注意力机制CBAM密集连接网络;具体方法为:S1、通过共享卷积层获得DAPN中自上而下的前向网络分支中的各层特征图{C2、C3、C4、C5},提取不同尺度下未经模糊的全局特征;

S2、{C2、C3、C4、C5}分别经过1×1卷积来缩减通道向的维度,并与相同尺寸的密集连接CBAM的各层融合特征图进行横向连接,得到自顶而下的网络分支{P2、P3、P4、P5},具体包括:S21、缩减{C2、C3、C4、C5}通道数:

利用256个1×1卷积核缩减自底向上前向网络的特征图{C2、C3、C4、C5}的通道数,将{C2、C3、C4、C5}分别对应的256、512、1024、2048通道数,均缩减为256个通道,得到缩减通道后的特征图{CR2、CR3、CR4、CR5},计算过程如下:CRi=Conv1×1(Ci),i=2,3,4,5

S22、顶层的特征图P5由缩减通道数后的特征图CR5直接获得,根据公式:P5=CR5=Conv1×1(C5)

求解,其中Conv1×1(.)代表1×1卷积;

S23、密集连接:所有层数高于当前层Pi的特征图{Pi+1,…,P5}上采样到本层特征图大小,进行像素级相加得到密集连接后的特征图FDi,根据公式:求解,其中Upsample(.)代表上采样操作;

S24、CBAM:对每层得到的密集连接后的特征图FDi进行CBAM操作,得到各层的显著特征图Ai,具体如下:CBAM由通道注意力机制和空间注意力机制构成,输入密集连接后的特征图的通道数为C、每个通道图像的宽度和高度分别为W和H,CBAM首先将输入特征图FDi通过通道注意力机制得到通道注意力图 FDi与AC像素级相乘后得到通过通道注意力机制的特征图 然后FC通过空间注意力机制得到空间注意力图 最后FC与AS像素级相乘后得到每层的显著特征图 CBAM的计算过程为:

其中, 代表像素级相乘,AC为通道注意力图,AS为空间注意力图;

通道注意力机制同时利用最大池化和平均池化操作聚合空间信息,然后通过多层感知器减少参数,得到通道注意力图AC,计算过程如下式所示:AC(FDi)=σ(MLP(AvgPool(FDi))+MLP(MaxPool(FDi))),其中,σ代表激活函数,AvgPool和MaxPool分别表示平均池化和最大池化操作,MLP表示多层感知器;

空间注意力机制首先在通道向使用最大池化和平均池化,并将结果进行拼接,最后在拼接特征图上使用一个7×7卷积,得到空间注意力图AS,计算过程为下式:AS(FC)=σ(Conv7×7([AvgPool(FC);MaxPool(FC)]))其中,Conv7×7表示7×7卷积操作;

S25、横向连接:{CR2、CR3、CR4}与对应的{A2、A3、A4}进行像素级相加,并通过3×3卷积减少由上采样操作带来的混叠效应,得到{P2、P3、P4},根据公式:求解,其中Conv3×3(.)代表3×3卷积,经过上述操作,获得DAPN的自顶而下的网络分支{P2、P3、P4、P5};

S3、将各层不同尺度的最终融合特征图{P2、P3、P4、P5}送入区域建议网络,生成建议区域,最后利用Faster R-CNN进行SAR图像多尺度舰船目标的检测。