[发明专利]一种基于动态卷积的遥感图像舰船目标细粒度分类方法

说明书

本发明公开了一种基于动态卷积的遥感图像舰船目标细粒度分类方法，将采集特征图输入到注意力模块中，注意力模块生成K个归一化注意力权重参数；对采集特征图卷积处理中，平行卷积核模块中用K个平行卷积代替单独卷积，注意力权重参数与K个平行卷积的卷积核进行结合形成动态卷积层，最后连接到分类网络中进行分类，本发明通过动态卷积层与分类网络的结合，将注意力机制融入动态卷积中，多核集成并且添加了经过前面注意力模块计算归一化的注意力权重参数以非线性的方式融合，提高了模型的特征学习能力进而提高舰船目标细粒度分类的准确率。

技术领域

本发明属于数字图像处理领域，更具体的说是涉及一种基于动态卷积的遥感图像舰船目标细粒度分类方法。

背景技术

遥感图像海上舰船目标的分类技术一直是遥感图像处理领域的基础研究，在港口实时监控、海上军事舰船目标检测和精细识别方面具有重要的意义。由于公开的大部分有关遥感图像舰船目标研究主要集中舰船目标的检测和后续进行背景和舰船目标的二分类，少部分的文献专门对舰船目标多分类任务进行了研究，但是分类的类别数量也十分有限，近年来，深度学习技术的快速发展，细粒度分类相关的技术受到了越来越多的关注，细粒度分类技术可以舰船目标进行更精细化的分类。

目前图像细粒度分类主要的注意力机制都是和特征图通道层面进行操作，也就是将注意力机制与传统的卷积进行融合，传统卷积相当于是静态卷积其可以用公式表示，y＝g(W^T(x)+b(x))，静态卷积运算的卷积核是空间共享的，经过静态的卷积运算得到的特征图较为平滑，容易丢失原始图像中的信息，因此将基于卷积层的注意力的动态卷积融合到细粒度分类中是一个重要的应用体现，将对舰船目标细粒度分类的准确率起到提高的作用。

因此，为了解决遥感图像舰船目标细粒度分类准确率低的问题，提出了一种基于动态卷积的遥感图像舰船目标细粒度分类技术。

发明内容

有鉴于此，本发明提供了一种基于动态卷积的遥感图像舰船目标细粒度分类方法，通过的动态卷积层使注意力函数对输入图像产生依赖，具有更强特征提取能力进而提高了分类准确率。

为了实现上述目的，本发明采用如下技术方案：

一种基于动态卷积的遥感图像舰船目标细粒度分类方法，将采集特征图输入到注意力模块中，注意力模块生成K个归一化注意力权重参数；

对采集特征图卷积处理中，平行卷积核模块中用K个平行卷积代替单独卷积，注意力权重参数与K个平行卷积的卷积核进行结合形成动态卷积层，最后连接到分类网络中进行分类。

进一步，所述注意力模块建模方法如下，

S1：采集动态输入的特征图，通过池化操作捕捉特征图信息得到池化特征图，池化特征图维度为1×1×c，c为通道数；

S2：池化特征图进入第一全连接层进行降维，得到第一特征图；

S3：通过ReLU函数对降维后的第一特征图引入非线性因素，克服梯度消失问题，得到第二特征图；

S4：第二特征图进入第二全连接层进行升维，维度升至1×1×c得到第三特征图，即可以表示为元素个数为c的一维向量；

S5：利用softmax函数对一维向量进行归一化，得到K个注意力权重。

进一步，所述S1中的池化操作为对输入的特征图分别进行平均池化和最大池化，两种池化下的池化特征图平行运行，在所述步骤S5中将平均池化下的第三特征图和最大池化下的第三特征图分别对应一个一维向量，两个一维向量对应相加后通过softmax函数归一化，得到K个注意力权重参数。

进一步，所述平行卷积核模块为动态输入的特征图对应的K个平行卷积核，所述K个平行卷积核与K个注意力权重对应相乘后相加得到新卷积核，所述新的卷积核以卷积的方式结合到分类网络中。