(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210943446.2 (22)申请日 2022.08.08 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 艾加秋　屈铮　张勇　陈斌　贾璐　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/22(2022.01) G06V 10/32(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于中心坐标注意力模型的目标识别分类 及应用 (57)摘要 本发明公开了一种基于中心坐标注意力模 型的目标识别分类及应用， 包括： 1.选取不同种 类的SAR图像作为样本集； 2.采用Lenet ‑5网络作 为骨干网络， 将中心坐标注意力模 型嵌入到最后 一层卷积层与全 连接层之间， 获得融合权重系数 矩阵； 3.将融合权重系数矩阵与最后一层卷积层 的输出通过像素级水平进行最优 特征融合， 并得 到最终特征； 4.将最终特征输入全连接层和 softmax分类器得到预测结果， 并与真实结果对 比， 完成网络训练过程； 5.将 待分类的SAR图像输 入到训练好的网络模型并得到对应的类别。 本发 明能提高位于SAR图像中心的目标特征表征的完 整性， 获得更高的分类精度和分类效率， 具有较 好的工程应用价 值。 权利要求书3页 说明书8页 附图3页 CN 115223058 A 2022.10.21 CN 115223058 A 1.一种基于中心坐标注意力模型的目标识别分类， 其特 征在于， 包括如下步骤： 步骤1： 选取不同种类的SAR图像作为基于中心坐标注意力模型的目标识别分类的样本 集合， 将所述样本集合中的SAR图像进行尺寸统一后， 得到预处理后的SAR图像集合{S1, S2,…,Si,…,Sn}， 其中， Si表示预处理后的SAR图像集合中第i个SAR图像样本， n表示SAR图 像集合的容量； i∈[1,n]； 步骤2： 搭建基于中心坐标注意力模型的目标识别分类网络， 包括： 骨干网络， 中心坐标 注意力模型， 融合层和分类网络； 步骤2.1： 所述骨干网络是基于Lenet ‑5网络， 并包括： 第一卷积 ‑池化块， 第二卷积 ‑池 化块和卷积块； 所述第一卷积 ‑池化块的卷积核K1的尺寸为n1×n1， 卷积步长为c1， 池化核P1的尺寸为m1 ×m1， 池化步长为p1； 所述第二卷积 ‑池化块的卷积核K2的尺寸为n2×n2， 卷积步长为c2， 池化 核P2的尺寸为m2×m2， 池化步长为p2； 所述卷积块的卷积核K3尺寸为n3×n3， 卷积步长为c3； 将第i个SAR图像样本Si送入所述骨干网络中进行处理， 并利用式(1)得到一个 卷积特征 图Fi： 式(1)中， Fi,1、 Fi,2、 Fi,3、 Fi,4分别表示所述第一卷积 ‑池化块中经过卷积核的输出、 所述 第一卷积 ‑池化块中经过池化核的输出、 所述第二卷积 ‑池化块中经过卷积核的输出、 所述 第二卷积 ‑池化块中经过池化核的输出， *表示卷积 操作， σ(·)为ReLU函数； 步骤2.2： 所述中心坐标注意力模型 是由池化 块、 中心加权块和输出块依次构成； 所述池化块通过尺寸为H ×1和1×W的一维池化核分别对所述卷积特征图Fi进行最大池 化操作， 从而利用式(1)得到尺寸 为1×W和H×1的条形特征图Fiv、 Fih： 式(2)中， x,y 分别表示行和列， Fi,x,y表示卷积特征图Fi中第x行第y列元素， 表示垂直 条形特征图Fiv中第y列元 素， 表示水平条 形特征图Fih中第x行元素； 所述中心加权块通过中心重要度加权核分别对所述条形特征图Fiv、 Fih进行加权， 利用 式(3)可得到垂直中心重要度加权核fv和水平中心重要度加权核fh： 式(3)中， 表示垂直中心重要度加权核fv的第x行第y列元素， 表示水平中心重要 度加权核fh的第x行第y列元素， exp( ·)表示指数函数， x*和y*分别是条形特征图Fiv、 Fih的 行和列的中间坐标值， ε为调节参数；权　利　要　求　书 1/3 页 2 CN 115223058 A 2利用式(4)对所述条形特征图Fiv、 Fih与所述中心重要度加权核fv、 fh进行加权， 得到垂 直中心重要度加权条 形特征图 和水平中心重要度加权条 形特征图 式(4)中， 表示垂直中心重要度加权条形特征图 的第x行第y列元素， 表示水 平中心重要度加权条 形特征图 的第x行第y列元 素， MUL(·)表示矩阵对应位置元 素相乘； 所述输出块首先将中心重要度加权条形特征图 和 分别进行行扩展和列扩展， 从而 得到与所述卷积特征图Fi的尺寸一致的垂直中心重要度加权特征图 和水平中心重要度 加权特征图 然后利用式(5)对所述中心重要度加权特征图 和 进行逐元素相加后， 得到最终的中心重要度加权特 征图Gi， 最后利用式(6)得到融合权 重系数矩阵Wi： Wi＝Sigmoid(Gi)         (6) 式(5)中， Gi,x,y表示中心重要度加权特征图Gi的第x行第y列元素， A dd(·)表示矩阵对 应位置元素相加， 表示垂直中心重要度加权特征图 的第x行第y列元素， 表示水 平中心重要度加权特 征图 的第x行第y列元 素； 式(6)中， Sigmo id(·)表示sigmo id函数； 步骤2.3： 所述融合层利用式(6)对所述卷积特征图Fi和所述融合权重系 数矩阵Wi进行 加权融合， 从而得到融合特 征图Yi： 式(6)中， Yi,x,y表示融合特征图Yi的第x行第y列元素， Wi,x,y表示融合权重系数矩阵Wi的 第x行第y列元 素； 步骤2.4： 所述分类网络是由第一全连接层， 第二全连接层和softmax分类 器依次构成； 将融合特征图Yi依次输入到所述第一全连接层和所述第二全连接层中进行特征整合， 得到整合后的向量； 其中， 所述第一全连接层的维度为a， 所述第二全连接层的维度与SAR图 像集合的类别数相同； 将整合后的向量送入所述softmax分类器中进行分类处理， 从而得到第i个SAR图像样 本Si对应于每个类别的后验概率， 并选取最大后验概率所对应的类别作为第i个SAR图像样 本Si的预测类别； 将所述预测类别与第i个SAR图像样本Si对应的真实类别进行对比， 并通过反向传播算 法对基于中心坐标注意力模型的目标识别分类网络进行训练， 从而得到训练好的网络模 型； 步骤3： 将待分类的SAR图像输入到训练好的网络模型中， 并得到分类结果。 2.一种电子设备， 包括存储器以及处理器， 其特征在于， 所述存储器用于存储支持处理 器执行权利要求1所述 目标识别 分类方法的程序， 所述处理器被配置为用于执行所述存储 器中存储的程序。权　利　要　求　书 2/3 页 3 CN 115223058 A 3