买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：耕宇牧星(北京)空间科技有限公司

摘要：本发明公开了一种基于多尺度小波卷积的SAR图像城市区域场景分类方法，包括构建带有注意力机制的多尺度卷积模块，用于对原始SAR图像进行不同尺度的特征提取并融合，对融合的多尺度特征赋注意力权重，获得带有空间注意力权重的融合特征图；构建离散小波变换卷积模块，用于分解获得带有空域信息和频域信息的多尺度小波特征图；构建判别器网络，用于对多尺度小波特征图识别所属城市区域场景类别的概率；采用标准叉熵损失函数对S1‑S3构建的总体网络进行训练，获得预训练的总体网络；利用预训练的总体网络对待测试的SAR图像进行测试，得到城市区域场景分类结果。本发明可有效提高城市区域场景分类的准确性和泛化性能。

主权项：1.一种基于多尺度小波卷积的SAR图像城市区域场景分类方法，其特征在于：包括如下步骤：S1：构建带有注意力机制的多尺度卷积模块，用于对原始SAR图像进行不同尺度的特征提取并融合，对融合的多尺度特征赋注意力权重，获得带有空间注意力权重的融合特征图；所述S1中的带有注意力机制的多尺度卷积模块包括多尺度卷积模块和注意力模块；所述S1包括如下步骤：S11：所述多尺度卷积模块包括不同大小卷积核形成的三个卷积分支，对所述原始SAR图像进行并行多尺度感受野计算；三个卷积分支输出的特征相加进行特征融合，获得融合的多尺度特征；S12：将所述融合的多尺度特征传入标准化层对进行标准化操作后，输入至激活层，所得标准化的多尺度特征向量输入至所述注意力模块；S13：所述注意力模块对所述标准化的多尺度特征向量进行全局平均池化和全连接层操作，计算融合的多尺度特征图的空间注意力权重矩阵；将标准化的多尺度特征向量与对应的空间注意力权重矩阵逐元素相乘，获得输出矩阵；S14：将所述融合的多尺度特征使用直接级联方式，与所述输出矩阵相结合，获得带有空间注意力权重的融合特征图；S2：构建离散小波变换卷积模块，用于分解获得带有空域信息和频域信息的多尺度小波特征图；包括如下步骤：S21：对所述带有空间注意力权重的融合特征图进行离散小波变换，每级分解得4个子带图像{LL,LH,HL,HH}；其中，LL包含图像的低频近似信息，LH对应水平方向上的高频成分，HL对应垂直方向的高频成分，HH包含对角方向的高频成分；S22：对HL和HH进行高斯滤波，获得滤波后的垂直方向的高频成分HL′和滤波后的对角方向的高频成分HH′；S23：对LL进行一次卷积操作，得到低频分量Lowll；S24：将所述LH，HL′和HH′的值相加，得到高频分量结果Highh；S25：将所述Highh通过跳转连接的方式和所述Lowll的值相加，得到输出结果Ddwt，其中Ddwt为一次离散小波变换卷积模块输出结果；S26：对所述带有空间注意力权重的融合特征图和RDdwt采用全局跳转连接的方式进行结合： 其中，ffusion为带有空间注意力权重的融合特征图，RDdwt为将Ddwt再次输入至离散小波变换卷积模块执行一遍S21-S25操作之后的输出结果，Of为经过带有注意力机制的多尺度卷积模块和离散小波变换卷积模块后的输出特征，即多尺度小波特征图；对计算得到的多尺度小波特征Of经过一步卷积操作进行特征精细；S3：构建判别器网络，用于对多尺度小波特征图识别所属城市区域场景类别的概率；S4：采用标准叉熵损失函数对S1-S3构建的总体网络进行训练，获得预训练的总体网络；S5：利用预训练的总体网络对待测试的SAR图像进行测试，得到城市区域场景分类结果。

全文数据：

权利要求：

百度查询： 耕宇牧星(北京)空间科技有限公司 基于多尺度小波卷积的SAR图像城市区域场景分类方法