[发明专利]基于SAR网络的SAR图像识别方法、装置、设备和存储介质

说明书

本发明公开基于SAR网络的SAR图像识别方法、装置、设备和存储介质，包括：对SAR网络模型进行特征提取器预训练和元迁移学习复训练；输入SAR样本图像训练网络参数；输入待测SAR图像进行预处理，获得64通道56×56特征图；经过三个残差模块提取特征和平均池化操作，获得1×1特征图，三个残差模块的输入保存为第一特征、第二特征和第三特征；使用SE块通道注意力操作，映射成7×7特征图；进行三次上采样操作，三次输出依次与第一特征、第二特征和第三特征进行特征级联，分别存为第四特征、第五特征和第六特征，输出56×56特征图；经过三个残差块处理，三个输出特征依次与第四特征、第五特征和第六特征级联，并经过平均池化和全连接层的卷积操作得到待测SAR图像对应标签。

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于SAR网络的SAR图像识别方法、装置、设备和存储介质。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)成像基本不受光照、气候等自然因素影响，能全天候地在极端自然条件下获得高分辨率雷达图像。随着SAR技术发展，诞生了极化SAR系统，其图像包含更丰富的地物信息，进一步扩大SAR图像的应用领域，在民用及军事领域有重要应用价值。随着应用需求不断增加，SAR图像自动识别的研究越来越受到重视。

SAR图像包含大量特征模糊的小型物体，难以人工进行快速目标分类，所以SAR图像识别算法应能定位包含潜在目标的感兴趣区域，无人工干预地提取目标有用特征，快速识别出目标所属类别。传统的SAR图像识别方法对图像空域和频域进行处理，或者通过特征匹配方法进行分类识别。传统方法将预处理，特征提取，分类器训练作为不同阶段单独实现，数据处理相对复杂，需要较多人工干预。SAR成像不可避免地收到干斑噪声干扰，在实际应用中，图像模糊，局部细节改变，都可能导致传统方法特征匹配失败，影响识别准确率。

与传统SAR图像识别不同，深度学习方法提供端到端的训练、识别，减少了人工干预。卷积神经网络结构，能从训练图像库学习到更加抽象的特征，降低成像噪声干扰，使得识别准确率普遍高于传统方法。但卷积神经网络应用于SAR图像分类时，需要足够多的标记数据作为训练集，现公开的已标记SAR图像较少，导致网络的分类准确率较低。除了训练图像需求大，卷积神经网络还常忽视浅层特征。在提取特征过程中，输入的图像经过一层层网络计算，浅层网络层首先提取出边缘和方向特征，然后随着网络深度增加抽象出形状特征，最后分类器只用抽象特征判断出物体类别。由于SAR图像物体普遍较小，需要更多局部细节信息辅助识别，最后的抽象特征缺乏浅层特征的局部细节信息，影响识别精度。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于SAR网络的SAR图像识别方法、装置、设备和存储介质，以较少的原始图像做训练集，利用浅层特征和深层特征互相细化，提高对不同类型目标的识别率。

根据本发明的第一方面实施例的一种基于SAR网络的SAR图像识别方法，包括以下步骤：

对SAR网络模型进行特征提取器预训练和元迁移学习复训练；

将SAR样本图像输入至所述SAR网络模型中，训练用于SAR图像识别的网络参数；

利用训练好的所述SAR网络模型，输入待测SAR图像进行预处理，获得64通道56×56的特征图；

将所述64通道56×56的特征图经过三个残差模块提取特征，以及平均池化操作，获得1×1的特征图，其中三个所述残差模块的输入分别保存为第一特征、第二特征和第三特征；

使用SE块通道注意力操作，将所述1×1的特征图映射成7×7的特征图；

将所述7×7的特征图进行三次上采样操作，三次的输出依次与所述第一特征、所述第二特征和所述第三特征进行特征级联，分别保存为第四特征、第五特征和第六特征，并且输出56×56的特征图；