CN119048820B 基于伪sar舰船自适应目标分类方法、存储介质及计算机程序产品 （西南交通大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119048820B(45)授权公告日2025.07.11

(21)申请号202411133649.0

(22)申请日2024.08.19

(65)同一申请的已公布的文献号申请公布号CN119048820A

(43)申请公布日2024.11.29

(73)专利权人西南交通大学

地址610000四川省成都市二环路北一段

(72)发明人高贵刘文西代钰曦杨港

(74)专利代理机构成都中弘信知识产权代理有限公司51309

专利代理师梁梅

GO6N3/0475(2023.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/094(2023.01)

(56)对比文件

CN114463181A,2022.05.10

YanxiaWu,etal..JOINTCONVOLUTIONALNEURALNETWORKFORSMALL-SCALESHIP

CLASSIFICATIONINSARIMAGES.《2019IEEEInternationalGeoscienceandRemote

SensingSymposium》.2019,第2619-2631页.

审查员李雪娇

权利要求书2页说明书11页附图5页

(51)Int.CI.

GO6VGO6V

GO6V

10/764(2022.01)10/82(2022.01)

10/46(2022.01)

(54)发明名称

基于伪SAR舰船自适应目标分类方法、存储介质及计算机程序产品

(57)摘要

CN119048820B本发明公开了一种基于伪SAR舰船自适应目标分类方法、存储介质及计算机程序产品，属于人工智能与合成孔径雷达目标分类技术领域，解决SAR舰船目标分类过程中，常见分类网络在小样本SAR图像上表现不佳的问题。本发明包括对真实高分辨率SAR数据集和对应生成的低分辨率SAR数据集中的SAR舰船图像进行预处理；构建连接SRGAN特征编码器和特征解码器的嵌套残差连接模块并与鉴别器构成RIR-GAN网络通过预处理得到SAR舰船图像进行训练，并利用训练好的RIR-GAN网络生成待转换的低分辨率SAR舰船图像的伪高分辨率SAR图像输入构建的卷积密集连接网络SD-Net进行特征提取，进行伪高分辨率SAR图像中的伪SAR舰船自适应目标分类。本发明用于图像超分辨率重建和

CN119048820B

实例样本扩充

特征提取网络SDNet

分类原型表示

分类

域自适应方法原型网格

CN119048820B权利要求书1/2页

2

1.一种基于伪SAR舰船自适应目标分类方法，其特征在于，包括如下步骤：

S1、对目标域高分辨率SAR数据集中的SAR舰船图像和对应目标域高分辨率SAR数据集生成的源域低分辨率SAR数据集中的SAR舰船图像进行预处理；

S2、基于SRGAN特征编码器和特征解码器构建连接特征编码器和特征解码器的嵌套残差连接模块，得到嵌套残差连接生成器网络模型，并与鉴别器构成RIR-GAN网络；

所述嵌套残差连接模块包括依次相连接的9*9的Conv层、五个CRISR模块、一个BB瓶颈块、两个上采样层US和9*9的Conv层，其中，第一个9*9的Conv层的输出与BB瓶颈块的输出进行加操作后作为第一个上采样层US的输入；

每个CRISR模块包括依次相连接的第一通道提取模块、CA_IR块、第二通道提取模块和空间注意力层SALayer,第一通道提取模块的输入与空间注意力层SALayer输出进行通道维度上的合并操作，最终得到各CRISR模块的输出；

BB瓶颈块包括依次相连接的卷积核大小为3*3的Conv层和实例归一化层；

上采样层US包括依次相连接的3*3的Conv层、像素重排层PixelShuffle和激活函数层；

所述CA_IR块包括依次相连接的3*3的Conv层、实例归一化层、激活函数层、分离卷积模块和通道注意力层CALayer,3*3的Conv层的输入与通道注意力层CALayer的输出进行通道维度上的合并操作，最终得到各CA_IR块的输出；

S3、将预处理得到的源域低分辨率SAR数据集