检索结果-南通市图书馆

海军航空大学学报 2024年第4期39卷 445-452页

作者：孙靖森李宗豫杨森钟芝怡艾加秋史骏合肥工业大学计算机与信息学院安徽合肥230009 安徽大学信息材料与智能感知安徽省实验室安徽合肥230601 合肥工业大学智能互联系统安徽省实验室安徽合肥230009 合肥工业大学软件学院安徽合肥230009

在合成孔径雷达(Synthetic Aperture Radar,sar)图像中,目标的轮廓和细节通常比较复杂。传统的卷积神经网络(Convolutional Neural Network,CNN)只使用单一均值参数进行无差别的特征提取,不能很好地区分sar特征之间的差异。为了解决此问... 详细信息

在合成孔径雷达(Synthetic Aperture Radar,sar)图像中,目标的轮廓和细节通常比较复杂。传统的卷积神经网络(Convolutional Neural Network,CNN)只使用单一均值参数进行无差别的特征提取,不能很好地区分sar特征之间的差异。为了解决此问题,文章提出了1种基于集成改进卷积注意力块(Improved Convolutional Block Attention Module,ICBAM)的sar图像目标分类算法ICBAM_CNN。首先,该模块通过引入方差参数至传统CBAM模块中,设计了1种改进的CBAM注意力机制,有助于分类识别网络更好地学习sar图像不同目标卷积层输出与通道注意力之间的差异信息,提升不同sar目标特征的可分离性;然后,ICBAM设计了1种中心坐标注意力机制,能更好地捕捉sar图像中目标的中心分布特征,有效抑制杂波对sar目标分类影像的干扰;最后,为了提高效率,将改进后的ICBAM模块集成到CNN网络中,实现sar图像目标分类。ICBAM_CNN深度融合了sar图像目标的多层级特征,提升了sar目标特征的可分离性,可实现sar图像目标的高精度、高效率识别分类。通过MSTAR数据集进行实验,结果表明,相比于传统CBAM方法,改进ICBAM方法的精确率提升了2.44%,召回率提升了2.24%,F1-score提升了2.34%。

关键词： sar图像目标分类改进卷积注意力块集成ICBAM的CNN网络中心坐标注意力机制多层级特征融合

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：