[发明专利]一种基于残差注意网络的SAR目标识别方法

摘要

本发明属于合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别领域，涉及一种基于浅层神经网络的SAR图像特征提取方法，具体为一种基于残差注意网络的SAR目标识别方法。本发明将原始SAR图像先做归一化预处理，经过普通卷积层，最大卷积层和残差卷积单元形成进入并行的主干分支和掩码分支，通过采样结构掩码分支中特征图(Feature Map)大小与主干分支中特征图一致，最终将并行的两路特征图元素积，得到经过主干网络提取的特征与注意力机制生成的权值特征图对应元素相乘的结果，实现目标增加，抑制噪声的特征图，最后经过平铺层和多分类函数，完成目标识别。

主权项

1.一种基于残差注意网络的SAR目标识别方法，包括以下步骤：步骤1：对所有原始SAR图像做向量化、归一化处理，得到训练数据集；步骤2：将训练数据集输入残差注意网络训练学习；步骤2.1：训练数据集依次通过卷积层、最大池化层与残差卷积单元，完成第一次重点区域的特征提取，得到降维后特征图F₁；步骤2.2：利用主干分支提取特征图F₁的特征，完成残差学习，得到特征图F₃；步骤2.3：利用掩码分支对特征图F₁标记定位，标记图像的重点区域，使用Sigmoid函数加权重点区域得到特征图F₂，利用采样结构保证特征图F₂与特征图F₃大小一致；步骤2.4：将特征图F₂与特征图F₃点乘得到加权后的特征图F₄；步骤2.5：将特征图F₃与特征图F₄对应元素求和，得到重点区域被附加注意力的特征图F₅；步骤2.6：特征图F₅经过残差卷积单元的进一步特征提取；再经过均值池化完成降维；最后通过压平层和全连接层，使得训练数据集形成判别特征图；步骤3：使用softmax函数完成多分类，根据预设训练迭代次数(epochs)和梯度下降批尺寸(batch size)完成模型训练；步骤4：采用已训练模型对待测数据集的判别特征图进行多分类，完成SAR图像识别。