[发明专利]一种雷达图像的语义分割方法、设备及存储介质

说明书

本申请公开了一种雷达图像的语义分割方法、设备及存储介质，语义分割方法包括：获取雷达数据；对雷达数据进行渲染，确定雷达图像；将雷达图像输入预先训练的语义分割神经网络模型，以在雷达图像中识别生物目标，语义分割神经网络模型是基于双流卷积神经网络模型GSCNN训练得到的。本申请实施例通过双流卷积神经网络模型得到语义分割神经网络模型，可以实现对雷达图像进行精确地语义分割，具备更好的分割效果，在识别提取雷达图像中的生物目标时，提高了目标识别的精确度。

技术领域

本申请涉及雷达技术领域，尤其涉及一种雷达图像的语义分割方法、设备及存储介质。

背景技术

雷达在国民生活中发挥越来越重要的作用，对于国内生态保护具有重要作用。目前机器学习领域的活跃发展为处理大量复杂的雷达图像数据提供了便利的条件，逐渐成为雷达图像目标识别的主流方法，以区分雷达图像中的不同回波。

然而以往研究对雷达图像的处理多停留在图像级的分类上，关于像素级分割的研究工作较少，且并未取得较优的分割性能，对于目标识别的精确度较低。

发明内容

本申请实施例提供一种雷达图像的语义分割方法、设备及存储介质，用于解决现有技术中的如下技术问题：在对雷达图像进行语义分割时，目标识别精确度低。

一方面，本申请实施例提供了一种雷达图像的语义分割方法，语义分割方法包括：获取雷达数据；对雷达数据进行渲染，确定雷达图像；将雷达图像输入预先训练的语义分割神经网络模型，以在雷达图像中识别生物目标，语义分割神经网络模型是基于双流卷积神经网络模型GSCNN训练得到的。

本申请实施例通过双流卷积神经网络模型得到语义分割神经网络模型，可以实现对雷达图像进行精确地语义分割，可以具备更好的分割效果，从而在识别提取雷达图像中的生物目标时，提高了目标识别的精确度。

一个示例中，语义分割神经网络模型是基于双流卷积神经网络模型GSCNN训练得到的，包括：对双流卷积神经网络模型的神经网络架构进行调整，得到语义分割神经网络模型的神经网络架构；将语义分割神经网络模型的训练集输入至语义分割神经网络模型的神经网络架构中，训练生成语义分割神经网络模型。

本申请实施例通过对双流卷积神经网络模型的神经网络架构进行调整，达到了更高的识别准确度，从而实现了可以对雷达图像进行精确地语义分割，从而提取雷达图像中的生物目标。

一个示例中，对双流卷积神经网络模型的神经网络架构进行调整，确定语义分割神经网络模型的神经网络架构，包括：调整双流卷积神经网络模型，以使双流卷积神经网络模型能够接收雷达图像对应尺寸的训练集；并调整双流卷积神经网络模型中的空洞空间卷积池化金字塔的采样率，以提取训练集中目标的特征信息；并降低双流卷积神经网络模型的最终输出卷积层的特征图通道数目，并增加双流卷积神经网络模型的最终输出卷积层的卷积层数量；并增加双流卷积神经网络模型的损失函数中语义分割损失的权重；确定语义分割神经网络模型的神经网络架构。

本申请实施例通过使双流卷积神经网络模型能够接收雷达图像对应尺寸的训练集，可以匹配雷达图像尺寸并降低双流卷积神经网络模型的浮点运算量，并通过改变空洞空间卷积池化金字塔的采样率，可以更好地多尺度提取雷达图像中目标的特征信息，并通过降低双流卷积神经网络模型的最终输出卷积层的特征图通道数目，以及增加双流卷积神经网络模型的最终输出卷积层的卷积层数量，可以更充分地提取雷达图像中目标的特征信息，以及同时降低GPU负载，并通过增加损失函数中语义分割损失的权重，可以增加双流卷积神经网络模型对分类性能的“关注”。

一个示例中，语义分割神经网络模型的神经网络架构，包括：输入图像的尺寸为320×320；空洞空间卷积池化金字塔的采样率为4、8、12、16；最终输出卷积层的通道数目为128、64、32、3；最终输出卷积层的卷积层数量为4；损失函数中语义分割损失的权重为20。