一种基于轻量化神经网络的SAR场景目标识别方法及装置

本发明涉及计算机神经网络和信号处理，具体涉及一种基于轻量化神经网络的sar场景目标识别方法及装置。

背景技术：

1、深度学习理论的持续进步和完善极大地推动了神经网络在图像识别领域的发展，特别是在光学图像识别方面。借助深度学习模型，如卷积神经网络(convolutional neuralnetworks cnn)，研究人员已经能够在图像分类和目标检测上实现极高的准确度和效率。然而，当尝试将这些技术应用于sar图像识别时，面临的挑战显著增加。

2、sar图像，作为一种独特的遥感数据类型，其成像原理、数据特征和信息呈现方式与光学图像大相径庭。sar通过主动发射微波并接收其反射信号来捕捉地表信息，其图像中蕴含着丰富的纹理、相位和多极化特征，但这些信息的提取常常伴随着斑点噪声和几何畸变等难题。这些特性使得sar图像的识别任务相较于光学图像更加复杂。

3、虽然深度学习在光学图像识别领域取得了显著成果，但直接将现有的神经网络模型用于sar图像识别却并不可靠。这是因为光学图像和sar图像在数据分布和特征表达上存在本质差异，导致在光学图像识别中表现优异的模型在处理sar图像时可能无法有效提取关键特征，进而影响识别效果。因此，我们需要针对sar图像的特性进行专门的神经网络模型设计和优化。

4、目前，在sar图像识别领域，尽管基于卷积神经网络的深度学习方法在特定sar目标数据集上展现了一定的成效，但在面对复杂场景时，其性能却大幅下降。这背后的原因在于，这些方法往往将sar图像的灰度图直接应用于为光学图像定制的神经网络，从而忽视了sar图像独特的信号本质及其内部关联性。此外，这些方法在训练时倾向于直接沿用光学图像上预训练的网络参数，却未能充分考虑光学成像与sar成像在物理原理上的根本差异，尤其是sar图像中蕴含的丰富相位信息。因此，当面对真实的sar场景和目标识别任务时，这些方法的性能便大打折扣。

5、因此，如何设计一种创新的sar场景目标识别方法，成为涵待解决的问题。

技术实现思路

1、为此，本发明提供一种基于轻量化神经网络的sar场景目标识别方法及装置，该方法将sar信号的幅度、相位以及小波域信息作为输入，能够深入挖掘并充分利用sar图像的多样化特征，从而显著提升了识别性能，为sar图像识别领域注入了新的活力。

2、为了实现上述目的，本发明提供如下技术方案：一种基于轻量化神经网络的sar场景目标识别方法，包括：

3、根据指定生产工艺，确定工艺优化的性能指标；根据所述性能指标确定对所述性能指标产生影响的工艺范围；

4、构建基于轻量化神经网络的sar场景目标识别系统，所述sar场景目标识别系统包括输入预处理子模块、基础特征提取子模块、核心特征提取子模块、深层特征提取子模块、空间映射子模块和分类输出子模块；

5、构建训练数据集，通过所述训练数据集对所述sar场景目标识别系统进行训练；

6、通过所述训练数据集对所述sar场景目标识别系统的设定模块进行训练，并保存所述设定模块训练后的权重参数；

7、将所述设定模块训练后的权重参数载入所述sar场景目标识别系统，获得训练后的所述sar场景目标识别系统；

8、将sar场景目标信号输入训练后的所述sar场景目标识别系统，通过训练后的所述sar场景目标识别系统进行识别，获得最终识别结果。

9、作为一种基于轻量化神经网络的sar场景目标识别方法的优选方案，所述输入预处理子模块用于对所述训练数据集进行标注，并将所述训练数据集划分为训练集和测试集；通过对样本进行随机打散，提取样本的幅度、相位和小波域信息；

10、所述基础特征提取子模块提取sar场景目标的边缘信息，通过所述边缘信息对目标的形状和轮廓进行理解。

11、作为一种基于轻量化神经网络的sar场景目标识别方法的优选方案，所述核心特征提取子模块用于提取sar场景目标的局部联系信息，通过所述局部联系信息揭示目标内部的局部结构和关系；

12、所述深层特征提取子模块用于提出深层的内部结构信息，通过所述内部结构信息捕捉sar场景目标的高级属性。

13、作为一种基于轻量化神经网络的sar场景目标识别方法的优选方案，所述空间映射子模块通过多层感知机网络，采用空间映射策略对从所述深层特征提取子模块接收的特征进行加权映射，得到类别数据值，并将所述类别数据值发送到所述分类输出子模块；

14、所述分类输出子模块通过接收到的所述类别数据值对样本进行精确分类，并输出最终的检测识别结果。

15、作为一种基于轻量化神经网络的sar场景目标识别方法的优选方案，在构建所述训练数据集的过程中，所述训练数据集是将mstar数据集与minisar数据集通过cm图像融合策略融合之后进行逆成像的sar场景目标信号。

16、本发明还提供一种基于轻量化神经网络的sar场景目标识别装置，基于以上一种基于轻量化神经网络的sar场景目标识别方法，包括：

17、sar场景目标识别系统构建模块，用于构建基于轻量化神经网络的sar场景目标识别系统，所述sar场景目标识别系统包括输入预处理子模块、基础特征提取子模块、核心特征提取子模块、深层特征提取子模块、空间映射子模块和分类输出子模块；

18、训练数据集构建模块，用于构建训练数据集，通过所述训练数据集对所述sar场景目标识别系统进行训练；

19、sar场景目标识别系统训练模块，用于通过所述训练数据集对所述sar场景目标识别系统的设定模块进行训练，并保存所述设定模块训练后的权重参数；

20、训练后的sar场景目标识别系统获取模块，用于将所述设定模块训练后的权重参数载入所述sar场景目标识别系统，获得训练后的所述sar场景目标识别系统；

21、sar场景目标识别系统识别应用模块，用于将sar场景目标信号输入训练后的所述sar场景目标识别系统，通过训练后的所述sar场景目标识别系统进行识别，获得最终识别结果。

22、作为一种基于轻量化神经网络的sar场景目标识别装置的优选方案，所述sar场景目标识别系统构建模块中，所述输入预处理子模块用于对所述训练数据集进行标注，并将所述训练数据集划分为训练集和测试集；通过对样本进行随机打散，提取样本的幅度、相位和小波域信息；

23、所述基础特征提取子模块提取sar场景目标的边缘信息，通过所述边缘信息对目标的形状和轮廓进行理解。

24、作为一种基于轻量化神经网络的sar场景目标识别装置的优选方案，所述sar场景目标识别系统构建模块中，所述核心特征提取子模块用于提取sar场景目标的局部联系信息，通过所述局部联系信息揭示目标内部的局部结构和关系；

25、所述深层特征提取子模块用于提出深层的内部结构信息，通过所述内部结构信息捕捉sar场景目标的高级属性。

26、作为一种基于轻量化神经网络的sar场景目标识别装置的优选方案，所述sar场景目标识别系统构建模块中，所述空间映射子模块通过多层感知机网络，采用空间映射策略对从所述深层特征提取子模块接收的特征进行加权映射，得到类别数据值，并将所述类别数据值发送到所述分类输出子模块；

27、所述分类输出子模块通过接收到的所述类别数据值对样本进行精确分类，并输出最终的检测识别结果。

28、作为一种基于轻量化神经网络的sar场景目标识别装置的优选方案，所述训练数据集构建模块中，在构建所述训练数据集的过程中，所述训练数据集是将mstar数据集与minisar数据集通过cm图像融合策略融合之后进行逆成像的sar场景目标信号。

29、本发明具有如下优点：构建基于轻量化神经网络的sar场景目标识别系统，所述sar场景目标识别系统包括输入预处理子模块、基础特征提取子模块、核心特征提取子模块、深层特征提取子模块、空间映射子模块和分类输出子模块；构建训练数据集，通过所述训练数据集对所述sar场景目标识别系统进行训练；通过所述训练数据集对所述sar场景目标识别系统的设定模块进行训练，并保存所述设定模块训练后的权重参数；将所述设定模块训练后的权重参数载入所述sar场景目标识别系统，获得训练后的所述sar场景目标识别系统；将sar场景目标信号输入训练后的所述sar场景目标识别系统，通过训练后的所述sar场景目标识别系统进行识别，获得最终识别结果。本发明基于作者们之前研究的mfw-light(multiple-input multiple-output fusion wavelet transform neural networks-lightweight)，通过精心调整网络结构，将原有的8个残差块精简至6个，并降低网络参数，从而得到了多输入轻量化神经网络。在维持相同超参数设置的前提下，多输入轻量化神经网络不仅确保了93％以上的识别准确率，还实现了训练速度1.1倍的提升，这使得它在实际工程中的紧急场景下更具实用性。同时，多输入轻量化神经网络所运用的sar场景目标识别方法，将sar信号的幅度、相位以及小波域信息作为输入。这一策略使我们能够深入挖掘并充分利用sar图像的多样化特征，从而显著提升了识别性能，为sar图像识别领域注入了新的活力。