[发明专利]基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法

说明书

本发明公开了一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法，该方法首先构建舰船尾迹SAR图像数据集，然后搭建改进的残差轻量网络，在原始ResNet‑18网络的底层引入非局部运算来计算特征不同位置的关联度，增强全局特征感知；通过将3×3卷积过程更新为3×3的逐通道卷积过程与1×1的逐点卷积过程来降低模型参数量；最后通过在全连接层之前增加卷积块注意模块来增强网络顶层相关特征提取能力。该网络用于SAR图像舰船尾迹参数估计，具有一定的精度和模型参数量的优势。

技术领域

本发明涉及深度学习技术领域，特别是一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法。

背景技术

舰船尾迹SAR图像是通过SAR对海面舰船运动产生的微弱信号进行探测和成像得到的图像。它可以显示舰船在海面上留下的尾迹痕迹，通过分析这些痕迹，可以得到舰船的轨迹、速度和航向等信息。

针对于SAR图像尾迹包含的舰船参数的提取问题：董凯旋等人利用光学遥感图像的海面舰船尾迹特征以及相关参数，分别通过灰度累积法和Radon变换法两种不同的尾迹长度检测方法，对尾流长度进行了提取，并利用尾流长度特征简单估测了舰船航速与航向；贾惠基于局部Radon变换实现了线性尾迹的检测，然后从Kelvin尾迹的产生机理出发，提出了舰船参数的二维估算方法，在基于Markov过程滤除尾迹SAR图像海面背景噪声的情况下，结合此方法着重研究了舰船参数的估算问题；舒服展开基于开尔文尾迹波长的航速估算方法，基于开尔文尾迹拟合提取波长，并进一步估算航速信息；范文娜等人针对舰船尾迹的全极化SAR图像特征开展仿真，探究不同极化下SAR图像中舰船尾迹特征的差异，进而结合基于尾迹的舰船速度反演方法，利用不同极化下的舰船尾迹SAR图像开展舰船速度反演，分析海况、舰船运动速度和极化对反演结果的影响。

当前从尾迹中对于舰船航速、方向、舰船尺寸等参数的估算，多是基于尾迹形状与长度而进行，此类尾迹估算方法对尾迹长度的提取准确性有很高要求，适用局限性大。而采用卷积神经网络(CNN)的方法进行估计，对于不同的尾迹具有较强的自适应能力，且不需要对尾迹进行人工提取与拟合。

残差网络(ResNet)是一系列深度残差神经网络，其中基于不同层数，ResNet网络又包括ResNet-18、ResNet-50、ResNet-101和ResNet-152等模型，ResNet网络由多个基本块组成，每个基本块包含两个卷积层和一个跳跃连接，跳跃连接将输入直接添加到块的输出中，形成了残差连接，这种连接可以让梯度直接反向传播到更浅层的网络中，从而避免了梯度消失问题。由于ResNet-18模型深度较浅，因此其在计算效率和准确率之间取得了一个较好的平衡，是深度学习领域中的一个经典模型。

但是，舰船长尾迹需要网络关注的特征尺寸较大，而ResNet网络相对感受野较小。ResNet网络的基本模块是由两个3x3的卷积层组成，这样的设计导致每个基本模块的感受野只有3x3，而且ResNet网络每一层的步幅都是1，没有采用池化层或步幅更大的卷积层等操作来增大感受野。虽然在此基础上，已有ResNeXt、DenseNet、EfficientNet等新网络模型的提出，但是它们仍然存在着一些问题，例如：参数数量多、可解释性较差、难以训练等问题。

发明内容

本发明的目的在于提供一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法。

实现发明目的的技术解决方案为：第一方面，本发明提供一种基于改进的残差轻量网络的SAR图像舰船尾迹参数估计方法，步骤如下：

第一步：对海面舰船尾迹模型进行建模，将海面舰船尾迹分解为湍流尾迹、开尔文尾迹以及海面模型，然后将三者分别建模后再经过线性叠加得到总的海面舰船尾迹模型。

第二步：设定仿真雷达参数，利用弹跳射线法(SBR)实现SAR图像快速成像，通过对不同的舰船参数进行仿真来实现构建数据集，并将数据集划分为一定比例的训练集与测试集，以SAR图像作为训练样本的输入，以舰船尾迹的仿真参数作为训练标签，对每张SAR图像标注对应的标签。