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: 2021110644734
申请人: 长沙理工大学
专利类型:发明专利
专利状态:已下证
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:

1.一种基于深度学习的可解释性SAR图像目标检测方法,其特征在于,包括为用于对输入的SAR图像获得对应的目标检测结果的深度学习神经网络选取骨干网络的步骤:

1)采用SAR图像数据集对不同的骨干网络进行训练并保存最优权重模型;

2)利用混合全局归因映射HGAM对各个保存最优权重模型后的骨干网络进行分析,并选择最优的骨干网络作为深度学习神经网络的骨干网络;

所述骨干网络用于将输入的SAR图提取目标特征得到具有不同的分辨率和感受野的多个特征图,所述骨干网络为多个阶段的特征提取模块和下采样模块堆叠组成,且由最后三个阶段的特征提取模块输出的特征图作为骨干网络的输出;

步骤2)包括:

2.1)针对SAR图像数据集中的SAR图像,基于各个保存最优权重模型后的骨干网络输出的特征图构成的四维张量X采用积分梯度方法生成局部观测归因,所述局部观测归因包括正归因PA和正归因比例PAP;

2.2)采用全局归因映射GAM的方法基于局部积分梯度IG的观测归因对各个骨干网络的检测性能进行全局分析,并选择最优的骨干网络作为深度学习神经网络的骨干网络。

2.根据权利要求1所述的基于深度学习的可解释性SAR图像目标检测方法,其特征在于,步骤2.1)中采用积分梯度方法生成局部观测归因的步骤包括:

2.1.1)将四维张量X利用全局平均池化GAP压缩特征图的空间维数;

2.1.2)利用卷积核数为3×(5+C)的1×1的卷积对压缩空间维数后的四维张量进行卷积操作,并利用行列变换操作生成大小为3×(5+C)的二维向量X

2.1.3)将二维向量X

2.1.4)将四维局部观测张量

3.根据权利要求2所述的基于深度学习的可解释性SAR图像目标检测方法,其特征在于,步骤2.1.4)中基于到由所有点的梯度值的总和构成的四维局部观测张量上式中,PA为正归因,

4.根据权利要求3所述的基于深度学习的可解释性SAR图像目标检测方法,其特征在于,步骤2.2)包括:

2.2.1)针对每一个骨干网络,将其每一个局部观测归因中的正归因PA和正归因比例PAP计算平均值,然后将所有局部观测归因对应的平均值构建加权归因向量上式中,

2.2.2)将K-Medoid和加权斯皮尔曼等级相关系数平方秩距离相结合去分组相似的标准化归因,得到K个标准化归因的聚类;

2.2.3)将K个标准化归因聚类作为全局归因映射GAM的全局解释,每个全局归因映射GAM的全局解释都产生了一个位于聚类中最集中的特征重要性向量,该特征重要性向量包含了每一个骨干网络在该聚类中的正归因PA的排名和正归因比例PAP的排名,且根据K个标准化归因聚类的大小作为对应全局解释的解释力来对每个全局解释进行排序;

2.2.4)根据下式计算每一个骨干网络的全局正归因GPA全局正归因比例GPAP:上式中,K表示标准化归因的聚类数,N为骨干网络的样本总数,

2.2.5)选择全局正归因GPA和全局正归因比例GPAP最优的骨干网络作为深度学习神经网络的骨干网络。

5.根据权利要求1~4中任意一项所述的基于深度学习的可解释性SAR图像目标检测方法,其特征在于,所述深度学习神经网络包括:骨干网络;融合模块PANet,用于将骨干网输出的具有不同的分辨率和感受野的三个特征图进行相互融合,得到数量相同的融合后的增强特征图;可视化检测头,用于针对三个融合后的特征图进行多尺度的目标检测得到目标检测结果以及可视化结果。

6. 根据权利要求5所述的基于深度学习的可解释性SAR图像目标检测方法,其特征在于,所述可视化检测头采用YOLOv3 Head对融合后的三个不同尺度特征图进行对应尺度的目标检测得到目标检测结果,且所述YOLOv3 Head在每个1×1网格下生成的三组边界框的信息被编码到相应的3×(5+C) 向量中,且目标检测结果的每个边界框包含1个置信分数、4个坐标、C个条件类别概率值

7.一种基于深度学习的可解释性SAR图像目标检测系统,包括相互连接的微处理器和存储器,其特征在于,该微处理器被编程或配置以执行权利要求1~6中任意一项所述基于深度学习的可解释性SAR图像目标检测方法的步骤。

8.一种计算机可读存储介质,其特征在于,该计算机可读存储介质中存储有被编程或配置以执行权利要求1~6中任意一项所述基于深度学习的可解释性SAR图像目标检测方法的计算机程序。