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！

摘要：本发明公开了一种基于自注意力机制的字典学习SAR舰船目标检测方法，包括如下步骤：对预先获取的SAR图像进行预处理，逐像素提取特征向量，组成特征矩阵；构建基于自注意力机制的字典学习模型，设计增大子字典差异性的目标函数；利用自注意力机制更新字典和计算编码系数，构建具有判别能力的目标和背景子字典；利用特征矩阵作为基于自注意力机制的字典学习模型的输入，得到初步检测结果；通过计算检测结果的连通面积大小、长宽比及复杂度，得到目标的检测结果。本发明构建增大子字典差异性的目标函数，利用自注意力机制学习SAR图像中舰船目标与海杂波背景的不同特征，更好地构建目标和背景的不同子字典，提高SAR舰船目标检测准确性，减少虚警。

主权项：1.一种基于自注意力机制的字典学习SAR舰船目标检测方法，其特征在于，包括以下步骤：1对预先获取的SAR图像进行预处理，逐像素提取特征向量，组成特征矩阵；2构建基于自注意力机制的字典学习模型，设计增大子字典差异性的目标函数；3利用自注意力机制更新字典和计算编码系数，构建具有判别能力的目标和背景子字典；4利用步1得到的特征矩阵作为步骤2提出的基于自注意力机制的字典学习模型的输入进行阈值检测，得到初步检测结果；5通过计算检测结果的连通面积大小、长宽比及复杂度，得到目标的检测结果；步骤2所述增大子字典差异性的目标函数为： 其中，X＝[X1，X2]为输入的背景样本和目标样本，D＝[D1，D2]为所需训练的字典，D1和D2分别为背景子字典和目标子字典，Z＝[Z1，Z2]为背景样本和目标样本在字典D下的编码系数，且Zi＝[Z1i；Z2i]表示样本在背景子字典和目标子字典的编码系数，λ1、λ2和λ3为平衡参数；第一项f1X，D，Z为重构误差项；第二项f2X，D，Z为类重构误差项；第三项f3D，Z为不同类重构误差项；第四项f4D为字典互异性项；所述步骤3实现过程如下：在自注意力机制中，计算序列中每个元素与其他所有元素的关联度；对于输入序列中的每个元素，计算一个查询向量Q、一个键向量K和一个值向量V：Q＝WqXK＝WkXV＝WvX接着，利用得到的Q和K计算每两个输入向量之间的相关性；通过Q和K矩阵的点积除以进行相似度计算，以防止计算所得值过大，再通过softmax函数进行归一化处理，最后通过加权求和法得到最终数据： 式中，Q,K,V为输入矩阵做线性映射所得到的矩阵；Dk为稳定训练梯度的矩阵；softmax为具有归一化功能的激活函数；利用自注意力机制更新字典时，固定编码系数Z，将字典D作为自注意力机制的输入X，随机初始化权重矩阵Wq、Wv、Wk，由自注意力机制更新权重矩阵，从而更新字典D，并根据目标函数计算梯度，进行梯度下降： 同理，利用自注意力机制计算编码系数时，固定字典D，将编码系数Z作为自注意力机制的输入X，随机初始化权重矩阵Wq、Wv、Wk，由自注意力机制更新权重矩阵，从而计算编码系数Z，并根据目标函数计算梯度，进行梯度下降： 所述重构误差项为： 其中，λ为稀疏度参数；重构误差项为整个字典的重构误差及编码系数的稀疏性，实现了字典对目标样本的较好表征及编码系数的稀疏性；所述类重构误差项为： 类重构误差项为类子字典的重构误差，确保了类子字典对类样本的重构误差小，实现类子字典对类样本的较好表征；所述不同类重构误差为： 不同类重构误差为类子字典对其他类的重构，确保类子字典对其他类重构能力较差，实现类子字典对其他类样本表征能力弱，提高类子字典之间的差异性；所述字典互异性项为： 字典互异性项为字典的互异性，降低原子之间的相关性，增强字典的互异性，确保每个基向量可以捕捉数据中的不同特征和结构，而不会重叠。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于自注意力机制的字典学习SAR舰船目标检测方法