[发明专利]基于深度学习的可解释性SAR图像目标检测方法及系统

权利要求书

1.一种基于深度学习的可解释性SAR图像目标检测方法，其特征在于，包括为用于对输入的SAR图像获得对应的目标检测结果的深度学习神经网络选取骨干网络的步骤：

1)采用SAR图像数据集对不同的骨干网络进行训练并保存最优权重模型；

2)利用混合全局归因映射HGAM对各个保存最优权重模型后的骨干网络进行分析，并选择最优的骨干网络作为深度学习神经网络的骨干网络。

2.根据权利要求1所述的基于深度学习的可解释性SAR图像目标检测方法，其特征在于，所述骨干网络为多个阶段的特征提取模块和下采样模块堆叠组成，且由最后三个阶段的特征提取模块输出的特征图作为骨干网络的输出。

3.根据权利要求2所述的基于深度学习的可解释性SAR图像目标检测方法，其特征在于，步骤2)包括：

2.1)针对SAR图像数据集中的SAR图像，基于各个保存最优权重模型后的骨干网络输出的特征图构成的四维张量X采用积分梯度方法生成局部观测归因，所述局部观测归因包括正归因PA和正归因比例PAP；

2.2)采用全局归因映射GAM的方法基于局部积分梯度IG的观测归因对各个骨干网络的检测性能进行全局分析，并选择最优的骨干网络作为深度学习神经网络的骨干网络。

4.根据权利要求3所述的基于深度学习的可解释性SAR图像目标检测方法，其特征在于，步骤2.1)中采用积分梯度方法生成局部观测归因的步骤包括：

2.1.1)将四维张量X利用全局平均池化GAP压缩特征图的空间维数；

2.1.2)利用卷积核数为3×(5+C)的1×1的卷积对压缩空间维数后的四维张量进行卷积操作，并利用行列变换操作生成大小为3×(5+C)的二维向量X₁，并将其作为网络的最终输出向量；

2.1.3)将二维向量X₁作为骨干网络F的最终输出向量，计算从四维张量X的基线图像移动到四维张量X对应的输入图像的总成本并通过计算输入图像的四维张量X到四维张量X对应的基线图像的路径上每个点的梯度值的总和，得到由所有点的梯度值的总和构成的四维局部观测张量attributions_ig；

2.1.4)将四维局部观测张量attributions_ig采用ReLU激活函数进行筛选获得正归因PA，并基于得到的四维局部观测张量attributions_ig将正归因PA进行归一化处理得到正归因比例PAP。

5.根据权利要求4所述的基于深度学习的可解释性SAR图像目标检测方法，其特征在于，步骤2.1.4)中基于到由所有点的梯度值的总和构成的四维局部观测张量attributions_ig将正归因PA进行归一化处理得到正归因比例PAP的函数表达式为：

上式中，PA为正归因，min为最小值函数，max为最大值函数，attributions_ig为由输入图像到基线图像上的所有点的梯度值的总和构成的四维张量。