[发明专利]一种基于多尺度注意力机制的冰下层结构提取方法

权利要求书

1.一种基于多尺度注意力机制的冰下层结构提取方法，其特征在于，提出的网络搭建结构如下：

MsANet由三个部分组成：低级特征提取阶段，高级特征提取阶段和分类阶段；低级特征提取阶段的特征在于通过一个卷积层结构和多尺度模块完成对输入冰下层结构的通用低级特征的多尺度表示，以供为后续提取冰层结构的高级特征做准备；高级特征提取阶段利用含有卷积层、注意力模块和多尺度模块的两路分支结构以分别学习冰表面层和冰基岩层独有的可区别特征；分类阶段利用上述提取到的高级特征进行组合分类，以对目标冰层结构的位置进行准确预测提取；

在特征提取阶段，除第一个块外，均引入了多尺度模块，以进行对冰层特征的多尺度表示，增强网络对冰层特征的表示能力；在高级特征提取阶段，在卷积层之后引入的注意力多尺度模块，先利用注意力机制捕获冰下层结构的重要特征，然后再送入多尺度模块，增强对重要的冰层特征的多尺度表示，提高对冰下层结构的空间-序列关系的建模能力；

其中多尺度模块由三条支路组成，三条支路上分别存在一个不同尺度大小的卷积滤波器，其中卷积核大于3的卷积滤波器进行分解，以减少网络参数量；紧接着，三条支路输出的多尺度特征被级联在一起，以最大程度保留学习的多尺度特征；然后，依次送入瓶颈单元和池化层分别得到对通道间和空间特征的下采样；

其中注意力模块分为两个子模块，分别为3D位置注意力模块和3D通道注意力模块；3D位置注意力模块着重关注于冰层特征的空间位置关系，在全局空间中的整合相似特征，而3D通道注意力模块着重关注于冰层特征通道之间的关联，以增强通道下特定语义响应能力；

使用MsANet网络实现冰下层结构提取的过程

训练时的特征：

输入到MsANet的数据是连续的T帧的雷达拓扑图；以实际的第个拓扑切片作为地面真值，将地面真值与网络提取得到的冰层位置输入到损失函数中进行网络参数的优化，并使用了指数型变化的学习率以更好的匹配网络的学习速度。

2.根据权利要求1所述的方法，其特征在于，输入数据处理具体为：

将连续的T帧的雷达拓扑序列按顺序排列，这里T取5，得到形如1×5×64×64大小，即通道数×切片数×雷达切片图的高×雷达切片图的宽的数据准备输入网络中。