[发明专利]基于空间融合注意力的遥感图像舰船目标细粒度分类方法

权利要求书

1.基于空间融合注意力的遥感图像舰船目标细粒度分类方法，其特征在于，对目标进行图像采集，对采集图像进行卷积操作，得到卷积特征图；对于输入的卷积特征图先进行自注意力的建模，提取出一维的通道均值相关性系数，并构建通道均值相关性系数下的卷积特征图，后利用空间注意力提取出通道均值相关性系数下的卷积特征图中二维的空间注意力权重，将自注意力的建模模块和空间注意力建模模块进行级联结合作为空间融合注意力模块嵌入到分类网络中，利用分类网络进行最后的细粒度分类；

所述自注意力的建模方法如下，

S1：在卷积特征图的基础上利用重新建模Reshape得到尺寸为c×hw的二维数组X，卷积特征图F∈R^w×h×c，其中c，h，w，分别代表特征通道数、输入高度和宽度；

S2：对二维数组X进行转置操作得到X^T，将X与X^T进行点乘运算，得到c×c的二维数组，代表着每一个通道之间的相关关系，进而得到每个通道的相关性系数；

S3：对所有通道的相关性系数取平均，得到一维通道均值相关性系数；

S4：将一维通道均值相关性系数与对应各通道相乘，代入F∈R^w×h×c中，得到均值相关性系数下的卷积特征图F′∈R^w×h×c，其中F′的维度和F的维度一致。

2.根据权利要求1中所述的基于空间融合注意力的遥感图像舰船目标细粒度分类方法，其特征在于，所述空间注意力建模方法如下，

S21：对特征图F'进行多角度池化操作，通过最大池化得到w×h×1的特征图一通过平均池化得到w×h×1的特征图二；

S22：对得到的w×h×1的特征图，利用3×3卷积进行噪声和背景的处理，维度保持不变，得到w×h×1的特征图三和w×h×1的特征图四；

S23：将最大池化和平均池化下最终输出的w×h×1的特征图三和w×h×1的特征图四联合成为w×h×2的特征图；

S24：对w×h×2的特征图进行7×7卷积核进行卷积操作，并利用Sigmiod激活函数得到映射尺寸为w×h×1的一维特征图，即空间注意力权重；

S25：将空间注意力权重代入F∈R^w×h×c，获得带有空间注意力权重的特征图F″∈R^w×h×c。

3.根据权利要求1中所述的基于空间融合注意力的遥感图像舰船目标细粒度分类方法，其特征在于，所述自注意力建模和空间注意力建模均采用Block的结构化设计，能够移植到其他分类网络中。

4.根据权利要求3中所述的基于空间融合注意力的遥感图像舰船目标细粒度分类方法，其特征在于，所述分类网络为VGA-19或ResNet-50。