[发明专利]基于复数坐标注意力模块的复输入特征图处理方法及系统

说明书

本发明公开了基于复数坐标注意力模块的复输入特征图处理方法及系统，涉及特征信息处理领域，所述复数坐标注意力模块包括：复数坐标注意力嵌入单元和复数坐标注意力生成单元，本发明中复数坐标注意力模块的输入和输出均为复数形式的特征信息，能够对复数特征信息进行处理；本发明中复数坐标注意力模块利用复数卷积神经网络通过复数实部和虚部关联学习获得信号的幅度和相位特征；本发明中复数坐标注意力模块通过复数坐标注意力同时关注水平与垂直方向上的空间信息和通道信息，更好地对特征信息的远程依懒关系进行建模，增强目标对象特征表征能力。

技术领域

本发明涉及特征处理领域，具体地，涉及基于复数坐标注意力模块的复输入特征图处理方法及系统。

背景技术

注意力机制(attention mechanism)可以通过全局信息搜索捕获远距离依赖关系，并通过带权分配自动聚焦重要信息，忽略不重要的冗余信息，这一点对于短观测时长内的相似空间锥体目标识别是有用的。注意力机制经历了空间注意力、通道注意力、空间-通道注意力的发展过程。空间维度和通道维度信息对网络识别能力的提升均有作用，这一点在最新提出的坐标注意力(Coordinate Attention,CA)模块中再次得到证明，上述技术通过嵌入空间位置信息到通道注意力中提高了模型性能。目前，已有学者尝试研究基于注意力的实数卷积神经网络(Real-Valued Convolutional Neural Network,RV-CNN)实现基于合成孔径雷达图像的目标识别。

复数卷积神经网络(Complex-Valued ConvolutionalNeuralNetwork,CV-CNN)可以直接处理回波复数数据，充分利用幅度和相位信息，避免回波预处理从而减少识别时间。CV-CNN发展时间不长，基础研究类成果不多，雷达领域应用成果较少且多集中在SAR图像和极化SAR图像识别方向，在空间目标的自动识别领域鲜有研究。

2018年Chiheb et al.从基础理论研究的角度推导并实现了复数卷积(complex-valued convolution)、复数激活(complex-valued activation)、复数池化(complex-valued pooling)、复数批规范化(complex-valued batch normalization)等基础单元，以及坐标注意力(Coordinate Attention,CA)模块。

实数卷积神经网络到复数卷积神经网络的转化问题已有一些研究。Michael etal.将实部与虚部作为双通道的输入来解决复数神经网络的问题，上述做法是错误的，因为并不符合复数乘法运算。复数乘法的运算限制了权重处CV-CNN的自由度。上述这种简单分离复数实部和虚部或采用实数卷积核的CV-CNN没有发挥出复数卷积核的优点。

综上所述，本申请发明人发现现有技术中的技术方案至少存在以下技术问题：

现有技术通常处理的特征信息为实数形式的特征信息，现有技术无法对复数形式的特征信息进行良好的处理。

发明内容

为解决上述问题，本发明提供了基于复数坐标注意力模块的复输入特征图处理方法及系统，本发明通过复数实部和虚部关联学习能够获得幅度和相位特征；本发明通过复数坐标注意力同时关注水平与垂直方向上的空间信息和通道信息，能够更好地对特征信息的远程依懒关系进行建模，增强目标对象特征表征能力。

为实现上述目的，本发明提供了复数坐标注意力模块，所述复数坐标注意力模块包括：复数坐标注意力嵌入单元和复数坐标注意力生成单元，针对每个通道，所述复数坐标注意力嵌入单元用于将所述通道的第一复输入特征图分别沿着水平和垂直方向进行编码，分别生成所述第一复输入特征图在所述通道沿水平方向编码后的第一输出特征信息和沿垂直方向编码后的第二输出特征信息；