-
题名基于集成改进卷积注意力块的SAR图像目标分类算法
- 1
-
-
作者
孙靖森
李宗豫
杨森
钟芝怡
艾加秋
史骏
-
机构
合肥工业大学计算机与信息学院
安徽大学信息材料与智能感知安徽省实验室
合肥工业大学智能互联系统安徽省实验室
合肥工业大学软件学院
-
出处
《海军航空大学学报》
2024年第4期445-452,共8页
-
基金
国家自然科学基金面上项目(62071164)
合肥市自然科学基金(2022001)
+1 种基金
信息材料与智能感知安徽省实验室开放课题(IMIS202102,IMIS202214)
智能互联系统安徽省实验室开放课题(PA2023IISL0098)。
-
文摘
在合成孔径雷达(Synthetic Aperture Radar,SAR)图像中,目标的轮廓和细节通常比较复杂。传统的卷积神经网络(Convolutional Neural Network,CNN)只使用单一均值参数进行无差别的特征提取,不能很好地区分SAR特征之间的差异。为了解决此问题,文章提出了1种基于集成改进卷积注意力块(Improved Convolutional Block Attention Module,ICBAM)的SAR图像目标分类算法ICBAM_CNN。首先,该模块通过引入方差参数至传统CBAM模块中,设计了1种改进的CBAM注意力机制,有助于分类识别网络更好地学习SAR图像不同目标卷积层输出与通道注意力之间的差异信息,提升不同SAR目标特征的可分离性;然后,ICBAM设计了1种中心坐标注意力机制,能更好地捕捉SAR图像中目标的中心分布特征,有效抑制杂波对SAR目标分类影像的干扰;最后,为了提高效率,将改进后的ICBAM模块集成到CNN网络中,实现SAR图像目标分类。ICBAM_CNN深度融合了SAR图像目标的多层级特征,提升了SAR目标特征的可分离性,可实现SAR图像目标的高精度、高效率识别分类。通过MSTAR数据集进行实验,结果表明,相比于传统CBAM方法,改进ICBAM方法的精确率提升了2.44%,召回率提升了2.24%,F1-score提升了2.34%。
-
关键词
SAR图像目标分类
改进卷积注意力块
集成icbam的CNN网络
中心坐标注意力机制
多层级特征融合
-
Keywords
SAR image target classification
improved convolutional block attention module(icbam)
Integrated CNN network with icbam(icbam_CNN)
central coordinate attention mechanism
multi-level feature fusion
-
分类号
TP75
[自动化与计算机技术—检测技术与自动化装置]
-
