基于尺度感知域适应的多分辨率SAR目标识别方法及装置

基于尺度感知域适应的多分辨率sar目标识别方法及装置
技术领域
1.本发明属于遥感图像目标识别技术领域，尤其涉及一种基于尺度感知域适应的多分辨率sar目标识别方法及装置。


背景技术：

2.合成孔径雷达(synthetic aperture radar,sar)系统由于其不受自然条件限制的全天时、全天候观测能力，被广泛应用于当今海洋智能监测，特别是用于船舶分类和检测对维护国家海洋权益和安全有着极其重要的意义。
3.随着深度学习技术在遥感领域的应用，当今基于深度学习的sar自动目标识别(automatic target recognition,atr)技术已经成为主流。大多数有监督的深度学习目标识别技术都需要满足训练数据和测试数据来自同一分布的这一假设条件。但是，在实际应用中该前提假设并不一定总是满足。例如在遥感领域中，随着对地观测手段越来越多样化，遥感图像可以通过不同的卫星平台或传感器获取。由于各个卫星平台在轨道高度、视角、成像机制、分辨率、环境等方面的差异，导致多源遥感数据之间存在巨大的分布差异，这种分布差异即称为域漂移。并且，sar图像数据由于其成像机制，对其标注相较于自然图像将会面临较大的困难，因此很难获取充足的标注数据。在这种条件下，直接使用训练数据学习的模型来识别另一分布测试数据时，其性能往往会急剧下降。
4.为了应对域漂移问题，域适应技术被提出，用来缩小这种源域和目标域数据之间的分布差异，使得使用源域数据训练的识别模型也能在不同分布的目标域数据上获得较好的分类性能。此外，在遥感领域中多源数据中的目标往往呈现较大的分辨率/尺度变化，这给跨域识别任务又带来了独特的挑战。而现有方法并没有充分考虑数据间的分辨率/尺度变化带给识别任务的影响，统一使用现有标准域适应技术来应对由众多因素导致的多源数据之间的域漂移现象是存在局限的。如何设计一种更加鲁棒的识别模型能够在较大的分辨率/尺度变化和差异的数据下，依然具有较好的泛化性能，完成跨域识别任务就成为了亟待解决的难题。


技术实现要素：

5.本发明的目的是提供一种基于尺度感知域适应的多分辨率sar目标识别方法及装置，通过提取目标的尺度增强特征，再对该尺度增强特征进行目标识别，可以提升目标识别的鲁棒性。
6.本发明采用以下技术方案：一种基于尺度感知域适应的多分辨率sar目标识别方法，包括以下步骤：
7.获取源域sar图像集和目标域sar图像集；其中，源域sar图像集由源域sar图像及其类别标签组成，目标域sar图像集由目标域sar图像组成；
8.基于源域sar图像集和目标域sar图像集训练多分辨率sar目标识别网络；其中，多分辨率sar目标识别网络由源域分类网络和域对抗网络组成；源域分类网络包括尺度增强
特征提取网络和分类器，域对抗网络包括域判别器、多级双线性融合模块和尺度增强特征提取网络；
9.采用训练好的源域分类网络对待识别目标域sar图像进行目标识别。
10.进一步地，多分辨率sar目标识别网络的损失函数为：
11.l
total
＝l
cls
+αl
adv
，
12.其中，l
total
为多分辨率sar目标识别网络的损失函数，l
cls
为源域分类网络的损失函数，l
adv
为域对抗网络的损失函数，α为折衷权重。
13.进一步地，源域分类网络的损失函数具体为：
[0014][0015]
其中，l
cls
(θg,θc)为具有可训练参数θg和θc的源域分类网络的损失函数，g(
·
)表示尺度增强特征提取网络，c(
·
)表示分类器，表示从源域s第i个sar图像中提取的特征，表示对应的sar图像的真实类别标签，ns表示源域s中sar图像的数量。
[0016]
进一步地，域对抗网络的损失函数具体为：
[0017][0018]
其中，l
adv
(θg,θd)为具有可训练参数θg和θd的域对抗网络的损失函数，ns表示源域s中sar图像的数量，g(
·
)表示尺度增强特征提取网络，d(
·
)表示域判别器，表示从源域s第i个sar图像中提取的特征，n
t
表示目标域t中sar图像的数量。
[0019]
进一步地，尺度增强特征提取网络用于提取sar图像的尺度增强特征，具体方法包括：
[0020]
通过卷积网络提取sar图像的特征x；
[0021]
将特征x依次经过堆叠的自适应卷积核残差模块，得到sar图像的尺度增强特征。
[0022]
进一步地，自适应卷积核残差模块用于对特征x依次进行分离、融合和挑选操作；
[0023]
分离操作包括将特征x送入两个具有不同核尺寸的特征支路，并分别得到不同的特征图和
[0024]
融合操作包括将特征图和进行求和操作，得到融合特征u；再将融合特征u依次经过全局平均池化层和全连接层，得到特征表示向量z；
[0025]
挑选操作包括通过特征表示向量z分别计算特征图的权重向量a和特征图的权重向量b，结合特征图和以及对应的权重向量计算得到融合特征v，在根据融合特征v计算该自适应卷积核残差模块的输出特征f。
[0026]
进一步地，输出特征f的计算方法为：
[0027][0028]
进一步地，多级双线性融合模块用于提取sar图像的多级融合特征，具体方法包括：
[0029]
从尺度增强特征提取网络获取不同自适应卷积核残差模块输出的特征，并进行融合，得到多级融合特征。
[0030]
进一步地，得到多级融合特征后还包括：
[0031]
将同一sar图像的尺度增强特征和多级融合特征进行融合后，送入判别器。
[0032]
本发明的另一种技术方案：一种基于尺度感知域适应的多分辨率sar目标识别装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的一种基于尺度感知域适应的多分辨率sar目标识别装置。
[0033]
本发明的有益效果是：本发明通过设计了带有自适应核残差模块的尺度增强特征提取网络，可以选择性的融合多个核卷积特征来捕获不同感受野(rf)中的多粒度信息，结合多级双线性融合模块，实现更加鲁棒的特征对齐，进而完成了多分辨率sar图像中的跨域分类任务。
附图说明
[0034]
图1为本发明实施例中多分辨率sar目标识别网络的整体框架图；
[0035]
图2为本发明实施例中自适应卷积核残差模块的架构图；
[0036]
图3为本发明实施例中多级双线性融合对抗策略示意图；
[0037]
图4为本发明验证实施例中部分sar图像数据示意图。
具体实施方式
[0038]
下面结合附图和具体实施方式对本发明进行详细说明。
[0039]
由于遥感图像可以从不同的传感器获取，导致多源数据之间存在较大的分布差异，称为域偏移。本发明中的“源”具体指的是图像的来源，多源即多个来源的遥感图像，也就是不同的传感器获取的遥感图像。域适应技术通常被用来缓解这一问题。此外，大分辨率/尺度差异(多源遥感图像固有的特点，具有不同的分辨率或尺度差)现象往往在遥感图像中比在自然图像中更常见，这还没有得到充分的关注，通过直接使用域适应方法，极大地限制了迁移模型的性能。另外，目前大多方法中的特征对齐，也都是在单一尺度特征表示下的实现的，这往往会影响特征对齐的质量，尤其是在大分辨率/尺度变化的数据下。
[0040]
卷积神经网络(cnn)已经在计算机视觉社区中获得了一系列里程碑式的工作，这归功于它们强大的提取层级、具有判别意义特征的能力，而无需任何人类参与。其中感受野(receptive field,rf)是cnn模型的一个重要参数，它可以定义为在相应的特征图上可以感知的输入图像的区域。因此，如果模型的rf大小选择不适当，cnn模型可能无法充分捕获目标信息。特别是对于细粒度的分类任务，当输入的图像以不同的分辨率/尺度形式出现时，情况可能会更糟。
[0041]
为了使模型能够自适应地选择rf大小，充分捕捉多粒度信息，在尺度感知域适应方法中，使用预先设计的尺度增强特征提取网络，通过自适应、选择性的融合不同尺寸卷积核的特征，使得网络获得尺度增强特征，提升模型对不同分辨率/尺度下的目标的适应性，充分捕捉多粒度特征。
[0042]
同时，现有大多对抗域适应方法都是使用网络最终的输出作为对抗学习的特征输入，统一的使用单一尺度下的特征表示来实现特征对齐是有局限的。特别是在遥感领域中，
分辨率/尺度大差异现象相比自然图像数据尤为常见，在这种数据的任务场景下，往往不能得到满意的性能。
[0043]
因此，在多级双线性特征融合的对抗学习策略中，本发明充分考虑了这一局限，与其他方法不同的是，本发明通过将多级多尺度融合特征引入对抗学习过程中，以实现多尺度级的，而不是单一尺度下的特征对齐。改善模型的特征对齐质量，提高在不同分辨率/尺度数据下的泛化性能。完成舰船目标跨域识别任务。
[0044]
具体的，在尺度感知域适应框架下，首先通过设计一种基于自适应卷积核的尺度增强特征提取网络，能够自适应的能够自适应地、选择性的选择性地、充分地捕捉到不同分辨率/尺度目标特征，以获得目标的尺度增强特征，与固定卷积核尺寸的特征提取网络相比，能够提升识别网络对具有分辨率/尺度变化的地多源遥感目标的适应能力。接着，通过设计了一种基于多级双线性特征融合的对抗学习策略，将尺度因素充分引入域适应的对抗学习过程中，以提升模型在大分辨率/尺度变化多源数据间的泛化能力。
[0045]
更为具体的，本发明实施例公开了一种基于尺度感知域适应的多分辨率sar目标识别方法，包括以下步骤：获取源域sar图像集和目标域sar图像集；其中，源域sar图像集由源域sar图像及其类别标签组成，目标域sar图像集由目标域sar图像组成；基于源域sar图像集和目标域sar图像集训练多分辨率sar目标识别网络；其中，多分辨率sar目标识别网络由源域分类网络和域对抗网络组成；源域分类网络包括尺度增强特征提取网络和分类器，域对抗网络包括域判别器、多级双线性融合模块和尺度增强特征提取网络；采用训练好的源域分类网络对待识别目标域sar图像进行目标识别。
[0046]
本发明通过设计了带有自适应核残差模块的尺度增强特征提取网络，可以选择性的融合多个核卷积特征来捕获不同感受野(rf)中的多粒度信息，结合多级双线性融合模块，实现更加鲁棒的特征对齐，进而完成了多分辨率sar图像中的跨域分类任务。
[0047]
本发明实施例提出了一个尺度感知领域适应框架来完成跨域sar船舶分类任务。在该框架中，首先设计了一种基于自适应核残差模块的自适应尺度增强特征网络，通过选择性地融合多个核卷积特征来充分捕获多粒度信息。然后，在对抗域适应的对抗学习过程中，使用一种多级双线性融合对抗策略，提高在不同分辨率/尺度数据下的泛化性能。完成舰船目标跨域识别任务。尺度感知域适应的多分辨率sar目标识别方法整体框架如图1所示。
[0048]
本方法的识别网络主要包括两部分：由尺度增强特征提取网络和分类器组成的源域分类网络，以及尺度增强特征提取网络、多级双线性融合模块和域判别器构成的域对抗网络。
[0049]
训练过程又可以分为分类网络的训练和特征适应两个步骤。在分类网络的训练中，将源域标注数据送入特征提取网络得到源域特征，接着将源域数据特征送入分类器，通过优化交叉熵分类损失函数对源域分类网络进行迭代训练。然后在特征适应步骤中，有标注的源域数据和无标注的目标域数据被一起送入共享的特征提取网络，分别可以得到源域和目标域数据特征，再将得到的特征送入域判别器中，通过优化一个二分类损失函数来训练域判别器，使得其能够正确预测特征的域标签，同时更新特征提取网络权值，缩小两个数据之间的分布差异，最终实现域混淆得到域不变特征。其中对抗域适应框架中的反向梯度层(gradient reversl layer,grl)被嵌入在特征网络和域判别器之间。
[0050]
最后在测试阶段，由于在训练过程中我们已经使得源域和目标域的分布差异尽可能地接近，所以我们就可以直接将目标域数据送入使用源域数据训练的分类器和调整权值后的特征提取网络所构成的源域分类网络直接对目标域数据目标进行识别，得到其分类结果。
[0051]
在尺度增强特征提取网络中，为了充分捕捉和提取来自不同源数据的多尺度多粒度信息，通过对堆叠自适应卷积核残差模块(adaptive kernel residual module,akrm)，以获得数据的尺度增强特征。
[0052]
尺度增强特征提取网络用于提取sar图像的尺度增强特征，具体方法包括：通过卷积网络提取sar图像的特征x；将特征x依次经过堆叠的自适应卷积核残差模块，得到sar图像的尺度增强特征。
[0053]
自适应卷积核残差模块的详细结构如图2所示，该模块主要由分离(split)、融合(fuse)和挑选(select)三个步骤构成。其输入是卷积网络的输出特征，在分离阶段，原特征被分别送入两个具有不同核尺寸的特征支路，在本实施例中分别采用了尺寸为3
×
3的卷积核和尺寸为5
×
5间隔为2的空洞卷积核(dilated convolution)以提升计算效率。两个不同支路所得到的特征图分别可以表示为和
[0054]
也就是说，自适应卷积核残差模块用于对特征x依次进行分离、融合和挑选操作。分离操作包括将特征x送入两个具有不同核尺寸的特征支路，并分别得到不同的特征图和
[0055]
融合操作包括将特征图和进行求和操作，得到融合特征u；再将融合特征u依次经过全局平均池化层和全连接层，得到特征表示向量z。具体的，在融合阶段，首先来自不同特征支路通过求和操作进行融合得到融合特征接着通过一个全局平均池化(goabel average pooling,gap)和全连接层f
fc
得到一个紧凑的特征表示向量z＝f
fc
(gap(u))。
[0056]
挑选操作包括通过特征表示向量z分别计算特征图的权重向量a和特征图的权重向量b，结合特征图和以及对应的权重向量计算得到融合特征v，在根据融合特征v计算该自适应卷积核残差模块的输出特征f。具体的，在挑选阶段，为了实现对不同卷积核尺寸的多尺度信息自动挑选，通过使用了一种基于注意力机制的权重分配方法，为更加具有判别意义的特征分配较大的权重来获取尺度增强特征，提升特征质量。该注意力的权重通过softmax函数来实现，得到一个与特征通道数相同维度的注意力权重向量a和b。其中，过softmax函数来实现，得到一个与特征通道数相同维度的注意力权重向量a和b。其中，因此，得到输出特征通过计算不同支路特征的注意力加权和最后本实施例还使用了残差连接来缓解梯度消失问题，得到每一个自适应卷积核残差模块的输出特征
[0057]
源域分类网络的任务是为了保证网络能够准确预测源域数据的类别标签，源域数据通过特征提取网络以获得源域特征，接着通过由全连接层和sofrmax激活函数构成的分类器获得网络对数据的标签预测。故采用最常见的类别交叉熵(category cross-entropy)作为网络的优化函数，具体的，源域分类网络的损失函数具体为：
[0058][0059]
其中，l
cls
(θg,θc)为具有可训练参数θg和θc的源域分类网络的损失函数，g(
·
)表示尺度增强特征提取网络，c(
·
)表示分类器，表示从源域s第i个sar图像中提取的特征，表示对应的sar图像的真实类别标签，ns表示源域s中sar图像的数量。
[0060]
由于不同数据域之间存在较大的分布差异，当直接使用源域数据训练的分类器来预测目标域的数据的标签时，分类器将面临较大的性能下降。因此，需要应用特征适应来对齐不同域之间的特征表示，使得分类器不仅能够准确的预测源域数据的标签，同时在目标域数据上也能取得良好的分类性能。
[0061]
在特征适应阶段中，来自源域和目标域的数据同时被送入尺度增强特征提取网络中以获得其特征表示。为了进一步提升模型对大分辨率/尺度差异数据的泛化性能，在本方法中使用了一种多级双线性融合对抗策略。不同与其于其他现有方法仅仅使用单一尺度下特征的对抗策略，本方法通过多级多尺度特征的对抗方式，即本方法中使用的所设计的多级双线性融合对抗策略(multi-level bilinear fusion module,mlbfm)，以实现更加鲁棒的特征对齐。
[0062]
其主要流程如图1、图3所示，多级双线性融合模块用于提取sar图像的多级融合特征，具体方法包括：从尺度增强特征提取网络获取不同自适应卷积核残差模块输出的特征，并进行融合，得到多级融合特征将同一sar图像的尺度增强特征和多级融合特征进行融合后，送入判别器。
[0063]
具体在本实施例中，如图1所示，将第一个自适应卷积核残差模块输出的特征和第二个自适应卷积核残差模块输出的特征进行融合后送入判别器。来自网络不同级的不同尺度的特征图通过双线性池化操作(bp)进行融合，得到融合特征其中，a、b为映射矩阵，为第一个自适应卷积核残差模块输出的特征，为第二个自适应卷积核残差模块输出的特征，p为分类矩阵。最终得到f
domain
(
·
)＝concat(v
′
,z)并将其送入域判别器中，其中，v
′
为第三个自适应卷积核残差模块输出的特征。
[0064]
在域对抗网络中，域分类器的任务是能够准确判断样本是来自源域还是目标域。为了能够将源域和目标域特征对齐，借助了对抗域适应框架中的反向梯度层，通过在域对抗网络中的特征提取器和域判别器之间插入该反向梯度层，其作用是将经过域判别器的梯度取反后再反向传播至特征提取网络以进行参数优化。于是在该网络中，特征提取网络被训练来欺骗域分类器，而域分类器则期望能够正确地判断样本域标签，这样以最大-最小博弈的方式达到域混淆，最终两个不同域数据实现特征对齐。故该域对抗网络的损失函数具体为：
[0065][0066]
其中，l
adv
(θg,θd)为具有可训练参数θg和θd的域对抗网络的损失函数，ns表示源域s
中sar图像的数量，g(
·
)表示尺度增强特征提取网络，d(
·
)表示域判别器，表示从源域s第i个sar图像中提取的特征，n
t
表示目标域t中sar图像的数量。
[0067]
因此，多分辨率sar目标识别网络的损失函数为：
[0068]
l
total
＝l
cls
+αl
adv
，
[0069]
其中，l
total
为多分辨率sar目标识别网络的损失函数，l
cls
为源域分类网络的损失函数，l
adv
为域对抗网络的损失函数，α为折衷权重。在网络训练时，网络采用随机梯度下降(stochastic gradient descent,sgd)优化器进行优化，learning rate为0.0001，momentum为0.9，其余参数设置为默认。
[0070]
本发明的目标识别方法首先设计了一个带有自适应核残差模块的自适应尺度增强特征提取器，通过选择性地融合多个核卷积特征来捕获不同感受野(rf)中的多粒度信息。然后，通过将不同尺度的多级融合特征纳入对抗性学习过程，实现了领域适应中的多级双线性融合对抗性策略,以完成多分辨率sar图像中的跨域船舶分类任务。
[0071]
为了验证本发明的效果，还进行了如下验证实施例。
[0072]
为了进行验证，首先需要收集不同源、具有分辨率差异的sar舰船目标图像作为网络的输入。在本方法中，使用复旦大学的fusar-ship作为源域数据，上海交通大学的opensarship数据集作为目标域数据。fusar-ship数据获取自高分3号(gf-3)卫星，具有15类超过5000张目标切片图像。opensarship数据集则获取自哨兵1号(sentinel-1)卫星。部分数据示例如图4所示。为了避免在我们的数据集中出现类别不平衡的问题，这可能对结果产生不利影响。因此，在这些数据集中选择了三个主要的共享类别，即散货船(bulkcarrier)、货物船(cargo)和油轮(tanker)，这也是最常见的船舶类别，占现实世界中的船舶95％以上。而这三个类别都有相对充足的样本数量。
[0073]
数据集的基本信息如表1所示。可以很容易地观察到，构建的跨域数据集的特点是不同域之间的图像分辨率/尺度和信息粒度差异很大，这在自然图像中往往是不存在的。更重要的是，构建的数据集呈现出较高的类内相似性，这两点给对sar舰船的跨域分类带来了独特的挑战。
[0074]
表1验证过程中所使用的数据集的基本信息
[0075][0076][0077]
为了验证方法的高效性，将本发明与目前多种主流域适应算法进行了对比。在对比算法中包括domain adversarial neural network(dann)，adversarial discriminative domain adaptation(adda)，batch nuclear-norm maximization(bnm)，deep subdomain adaptation network(dsan)，deepcoral，deep adaptation network(dan)和source-only model。相较于上述对比算法，本发明在构建的跨域识别任务中均取得最高的平均识别精度，具体识别结果如表2所示，这充分说明了本发明在分辨率大差异情
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0086]
存储器在一些实施例中可以是所述装置的内部存储单元，例如装置的硬盘或内存。所述存储器在另一些实施例中也可以是所述装置的外部存储设备，例如所述装置上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器还可以既包括所述装置的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0087]
需要说明的是，上述装置的具体内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

技术特征：
1.一种基于尺度感知域适应的多分辨率sar目标识别方法，其特征在于，包括以下步骤：获取源域sar图像集和目标域sar图像集；其中，所述源域sar图像集由源域sar图像及其类别标签组成，所述目标域sar图像集由目标域sar图像组成；基于所述源域sar图像集和目标域sar图像集训练多分辨率sar目标识别网络；其中，所述多分辨率sar目标识别网络由源域分类网络和域对抗网络组成；所述源域分类网络包括尺度增强特征提取网络和分类器，所述域对抗网络包括域判别器、多级双线性融合模块和所述尺度增强特征提取网络；采用训练好的所述源域分类网络对待识别目标域sar图像进行目标识别。2.如权利要求1所述的一种基于尺度感知域适应的多分辨率sar目标识别方法，其特征在于，所述多分辨率sar目标识别网络的损失函数为：l
total
＝l
cls
+αl
adv
，其中，l
total
为所述多分辨率sar目标识别网络的损失函数，l
cls
为所述源域分类网络的损失函数，l
adv
为所述域对抗网络的损失函数，α为折衷权重。3.如权利要求2所述的一种基于尺度感知域适应的多分辨率sar目标识别方法，其特征在于，所述源域分类网络的损失函数具体为：其中，l
cls
(θ
g
,θ
c
)为具有可训练参数θ
g
和θ
c
的源域分类网络的损失函数，g(
·
)表示所述尺度增强特征提取网络，c(
·
)表示分类器，表示从源域s第i个sar图像中提取的特征，表示对应的sar图像的真实类别标签，n
s
表示源域s中sar图像的数量。4.如权利要求2所述的一种基于尺度感知域适应的多分辨率sar目标识别方法，其特征在于，所述域对抗网络的损失函数具体为：其中，l
adv
(θ
g
,θ
d
)为具有可训练参数θ
g
和θ
d
的域对抗网络的损失函数，n
s
表示源域s中sar图像的数量，g(
·
)表示所述尺度增强特征提取网络，d(
·
)表示域判别器，表示从源域s第i个sar图像中提取的特征，n
t
表示目标域t中sar图像的数量。5.如权利要求2-4任一所述的一种基于尺度感知域适应的多分辨率sar目标识别方法，其特征在于，所述尺度增强特征提取网络用于提取sar图像的尺度增强特征，具体方法包括：通过卷积网络提取sar图像的特征x；将所述特征x依次经过堆叠的自适应卷积核残差模块，得到sar图像的尺度增强特征。6.如权利要求5所述的一种基于尺度感知域适应的多分辨率sar目标识别方法，其特征在于，所述自适应卷积核残差模块用于对所述特征x依次进行分离、融合和挑选操作；所述分离操作包括将所述特征x送入两个具有不同核尺寸的特征支路，并分别得到不
同的特征图和所述融合操作包括将特征图和进行求和操作，得到融合特征u；再将所述融合特征u依次经过全局平均池化层和全连接层，得到特征表示向量z；所述挑选操作包括通过特征表示向量z分别计算特征图的权重向量a和特征图的权重向量b，结合所述特征图和以及对应的权重向量计算得到融合特征v，在根据融合特征v计算该自适应卷积核残差模块的输出特征f。7.如权利要求6所述的一种基于尺度感知域适应的多分辨率sar目标识别方法，其特征在于，所述输出特征f的计算方法为：8.如权利要求7所述的一种基于尺度感知域适应的多分辨率sar目标识别方法，其特征在于，所述多级双线性融合模块用于融合sar图像的多级融合特征，具体方法包括：从所述尺度增强特征提取网络获取不同自适应卷积核残差模块输出的特征，并进行融合，得到多级融合特征。9.如权利要求8所述的一种基于尺度感知域适应的多分辨率sar目标识别方法，其特征在于，得到所述多级融合特征后还包括：将同一sar图像的所述尺度增强特征和多级融合特征进行融合后，送入所述判别器。10.一种基于尺度感知域适应的多分辨率sar目标识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的一种基于尺度感知域适应的多分辨率sar目标识别装置。

技术总结
本发明公开了一种基于尺度感知域适应的多分辨率SAR目标识别方法及装置，获取源域SAR图像集和目标域SAR图像集；基于源域SAR图像集和目标域SAR图像集训练多分辨率SAR目标识别网络；采用训练好的源域分类网络对待识别目标域SAR图像进行目标识别；本发明通过设计了带有自适应核残差模块的尺度增强特征提取网络，可以选择性的融合多个核卷积特征来捕获不同感受野(RF)中的多粒度信息，结合多级双线性融合模块，实现更加鲁棒的特征对齐，进而完成了多分辨率SAR图像中的跨域分类任务。多分辨率SAR图像中的跨域分类任务。多分辨率SAR图像中的跨域分类任务。


技术研发人员：刘准钆 李坤 文载道 潘泉
受保护的技术使用者：西北工业大学
技术研发日：2022.09.01
技术公布日：2023/1/6