基于散射点拓扑和双分支卷积神经网络的SAR图像小样本舰船分类

TN957.52; 随着合成孔径雷达(SAR)图像在舰船检测和识别领域的广泛应用,准确而高效地进行舰船分类已经成为一个亟待解决的问题.在小样本学习场景下,一般的方法面临着泛化能力不足的问题,因此该文引入了额外的信息和特征,旨在增加模型对目标的理解和泛化能力.该文通过散射关键点构建拓扑结构以表征舰船目标的结构和形状特征,并计算拓扑结构的拉普拉斯矩阵,将散射点之间的拓扑关系转化为矩阵形式,最后将SAR图像和拉普拉斯矩阵分别作为双分支网络的输入进行特征提取.在网络结构方面,该文设计了一个由两个独立的卷积分支组成的双分支卷积神经网络,分别负责处理视觉特征和拓扑特征,并用两个交叉融合注意力模块分别对两个...

Full description

Saved in:
Bibliographic Details
Published in雷达学报 Vol. 13; no. 2; pp. 411 - 427
Main Authors 张翼鹏, 卢东东, 仇晓兰, 李飞
Format Journal Article
LanguageChinese
Published 苏州空天信息研究院 苏州 215128 2024
苏州空天信息研究院 苏州 215128%苏州市微波成像处理与应用技术重点实验室 苏州 215128
中国科学院大学电子电气与通信工程学院 北京 100049%苏州市微波成像处理与应用技术重点实验室 苏州 215128
中国科学院大学 北京 100049
苏州市微波成像处理与应用技术重点实验室 苏州 215128
中国科学院空天信息创新研究院 北京 100094
Subjects
双分支卷积神经网络
Dual-Branch Convolutional Neural Network(DB-CNN)
合成孔径雷达(SAR)
Scattering point topology
散射点拓扑
Synthetic Aperture Radar(SAR)
小样本学习
Few-shot learning
Ship classification
舰船分类
Online AccessGet full text
ISSN2095-283X
DOI10.12000/JR23172

Cover

Abstract TN957.52; 随着合成孔径雷达(SAR)图像在舰船检测和识别领域的广泛应用,准确而高效地进行舰船分类已经成为一个亟待解决的问题.在小样本学习场景下,一般的方法面临着泛化能力不足的问题,因此该文引入了额外的信息和特征,旨在增加模型对目标的理解和泛化能力.该文通过散射关键点构建拓扑结构以表征舰船目标的结构和形状特征,并计算拓扑结构的拉普拉斯矩阵,将散射点之间的拓扑关系转化为矩阵形式,最后将SAR图像和拉普拉斯矩阵分别作为双分支网络的输入进行特征提取.在网络结构方面,该文设计了一个由两个独立的卷积分支组成的双分支卷积神经网络,分别负责处理视觉特征和拓扑特征,并用两个交叉融合注意力模块分别对两个分支的特征进行交互融合.该方法有效地将目标散射点拓扑关系与网络的自动学习过程相结合,从而增强模型的泛化能力并提高分类精度.实验结果表明,在OpenSARShip数据集上,所提方法在1-shot和5-shot任务的平均准确率分别为53.80%和73.00%.而在FUSAR-Ship数据集上,所提方法分别取得了54.44%和71.36%的平均准确率.所提方法在1-shot和5-shot的设置下相比基础方法准确率均提升超过15%,证明了散射点拓扑的应用对SAR图像小样本舰船分类的有效性.
AbstractList TN957.52; 随着合成孔径雷达(SAR)图像在舰船检测和识别领域的广泛应用,准确而高效地进行舰船分类已经成为一个亟待解决的问题.在小样本学习场景下,一般的方法面临着泛化能力不足的问题,因此该文引入了额外的信息和特征,旨在增加模型对目标的理解和泛化能力.该文通过散射关键点构建拓扑结构以表征舰船目标的结构和形状特征,并计算拓扑结构的拉普拉斯矩阵,将散射点之间的拓扑关系转化为矩阵形式,最后将SAR图像和拉普拉斯矩阵分别作为双分支网络的输入进行特征提取.在网络结构方面,该文设计了一个由两个独立的卷积分支组成的双分支卷积神经网络,分别负责处理视觉特征和拓扑特征,并用两个交叉融合注意力模块分别对两个分支的特征进行交互融合.该方法有效地将目标散射点拓扑关系与网络的自动学习过程相结合,从而增强模型的泛化能力并提高分类精度.实验结果表明,在OpenSARShip数据集上,所提方法在1-shot和5-shot任务的平均准确率分别为53.80%和73.00%.而在FUSAR-Ship数据集上,所提方法分别取得了54.44%和71.36%的平均准确率.所提方法在1-shot和5-shot的设置下相比基础方法准确率均提升超过15%,证明了散射点拓扑的应用对SAR图像小样本舰船分类的有效性.
Abstract_FL With the widespread application of Synthetic Aperture Radar(SAR)images in ship detection and recognition,accurate and efficient ship classification has become an urgent issue that needs to be addressed.In few-shot learning,conventional methods often suffer from limited generalization capabilities.Herein,additional information and features are introduced to enhance the understanding and generalization capabilities of the model for targets.To address this challenge,this study proposes a few-shot ship classification method for SAR images based on scattering point topology and Dual-Branch Convolutional Neural Network(DB-CNN).First,a topology structure was constructed using scattering key points to characterize the structural and shape features of ship targets.Second,the Laplacian matrix of the topology structure was calculated to transform the topological relations between scattering points into a matrix form.Finally,the original image and Laplacian matrix were used as inputs to the DB-CNN for feature extraction.Regarding network architecture,a DB-CNN comprising two independent convolution branches was designed.These branches were tasked with processing visual and topological features,employing two cross-fusion attention modules to collaboratively merge features from both branches.This approach effectively integrates the topological relations of target scattering points into the automated learning process of the network,enhancing the generalization capabilities and enhancing the classification accuracy of the model.Experimental results demonstrated that the proposed approach obtained average accuracies of 53.80%and 73.00%in 1-shot and 5-shot tasks,respectively,on the OpenSARShip dataset.Similarly,on the FUSAR-Ship dataset,it achieved average accuracies of 54.44%and 71.36%in 1-shot and 5-shot tasks,respectively.In the case of both 1-shot and 5-shot tasks,the proposed approach outperformed the baseline by>15%in terms of accuracy,underscoring the effectiveness of incorporating scattering point topology in few-shot ship classification of SAR images.
Author 卢东东
仇晓兰
李飞
张翼鹏
AuthorAffiliation 苏州市微波成像处理与应用技术重点实验室 苏州 215128;苏州空天信息研究院 苏州 215128;中国科学院空天信息创新研究院 北京 100094;中国科学院大学 北京 100049;中国科学院大学电子电气与通信工程学院 北京 100049%苏州市微波成像处理与应用技术重点实验室 苏州 215128;苏州空天信息研究院 苏州 215128%苏州市微波成像处理与应用技术重点实验室 苏州 215128;苏州空天信息研究院 苏州 215128;中国科学院空天信息创新研究院 北京 100094;中国科学院大学 北京 100049
AuthorAffiliation_xml – name: 苏州市微波成像处理与应用技术重点实验室 苏州 215128;苏州空天信息研究院 苏州 215128;中国科学院空天信息创新研究院 北京 100094;中国科学院大学 北京 100049;中国科学院大学电子电气与通信工程学院 北京 100049%苏州市微波成像处理与应用技术重点实验室 苏州 215128;苏州空天信息研究院 苏州 215128%苏州市微波成像处理与应用技术重点实验室 苏州 215128;苏州空天信息研究院 苏州 215128;中国科学院空天信息创新研究院 北京 100094;中国科学院大学 北京 100049
Author_FL LI Fei
ZHANG Yipeng
LU Dongdong
QIU Xiaolan
Author_FL_xml – sequence: 1
  fullname: ZHANG Yipeng
– sequence: 2
  fullname: LU Dongdong
– sequence: 3
  fullname: QIU Xiaolan
– sequence: 4
  fullname: LI Fei
Author_xml – sequence: 1
  fullname: 张翼鹏
– sequence: 2
  fullname: 卢东东
– sequence: 3
  fullname: 仇晓兰
– sequence: 4
  fullname: 李飞
BookMark eNotkMtKw0AYRmdRwVoLvoTL6D-XZJJlKV4pCLWCu5JJMqKUFAyiay1SsRrqZaNFBRE3QuOqtEGfxsn0MQzo6ludc-CbQ4WwHQYILWBYwgQAljfrhGJOCqhIwDENYtPdWVSOon0B1CKmBZQVUUM9T34m19n9q0o6-nScXd5mF31101NxT3XPs7uhuhrp96F-e9JprL_6Oh3oh852pa4ev9VZrJI4exllg49pN5l2xzmiP9N5NCPdVhSU_7eEdlZXGtV1o7a1tlGt1IwIA9iGaxHucE8I1-eSSceTzDPBow6VVJhMMmwxwYNASJuCh5kVMNdnTHKfmx7BlJbQ4p_32A2lG-41D9pHh2FebLb8E0GAMMifsOkvps9t5g
ClassificationCodes TN957.52
ContentType Journal Article
Copyright Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
Copyright_xml – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
DBID 2B.
4A8
92I
93N
PSX
TCJ
DOI 10.12000/JR23172
DatabaseName Wanfang Data Journals - Hong Kong
WANFANG Data Centre
Wanfang Data Journals
万方数据期刊 - 香港版
China Online Journals (COJ)
China Online Journals (COJ)
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
Discipline Engineering
DocumentTitle_FL Few-shot Ship Classification of SAR Images via Scattering Point Topology and Dual-branch Convolutional Neural Network
EndPage 427
ExternalDocumentID ldxb202402008
GroupedDBID -0Y
2B.
4A8
5VS
92H
92I
93N
ABJNI
ACGFS
ALMA_UNASSIGNED_HOLDINGS
CCEZO
CUBFJ
GROUPED_DOAJ
IPNFZ
KQ8
PSX
RIG
TCJ
TGT
U1G
U5S
ID FETCH-LOGICAL-s1008-a62797cbbad7f4f9cf4c50c393f3b54f4164b7eebf830c146e4ad44f7d75c2133
ISSN 2095-283X
IngestDate Thu May 29 04:01:07 EDT 2025
IsPeerReviewed true
IsScholarly true
Issue 2
Keywords 双分支卷积神经网络
Dual-Branch Convolutional Neural Network(DB-CNN)
合成孔径雷达(SAR)
Scattering point topology
散射点拓扑
Synthetic Aperture Radar(SAR)
小样本学习
Few-shot learning
Ship classification
舰船分类
Language Chinese
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-s1008-a62797cbbad7f4f9cf4c50c393f3b54f4164b7eebf830c146e4ad44f7d75c2133
PageCount 17
ParticipantIDs wanfang_journals_ldxb202402008
PublicationCentury 2000
PublicationDate 2024
PublicationDateYYYYMMDD 2024-01-01
PublicationDate_xml – year: 2024
  text: 2024
PublicationDecade 2020
PublicationTitle 雷达学报
PublicationTitle_FL Journal of Radars
PublicationYear 2024
Publisher 苏州空天信息研究院 苏州 215128
苏州空天信息研究院 苏州 215128%苏州市微波成像处理与应用技术重点实验室 苏州 215128
中国科学院大学电子电气与通信工程学院 北京 100049%苏州市微波成像处理与应用技术重点实验室 苏州 215128
中国科学院大学 北京 100049
苏州市微波成像处理与应用技术重点实验室 苏州 215128
中国科学院空天信息创新研究院 北京 100094
Publisher_xml – name: 中国科学院空天信息创新研究院 北京 100094
– name: 中国科学院大学 北京 100049
– name: 中国科学院大学电子电气与通信工程学院 北京 100049%苏州市微波成像处理与应用技术重点实验室 苏州 215128
– name: 苏州市微波成像处理与应用技术重点实验室 苏州 215128
– name: 苏州空天信息研究院 苏州 215128
– name: 苏州空天信息研究院 苏州 215128%苏州市微波成像处理与应用技术重点实验室 苏州 215128
SSID ssib036256034
ssj0001853618
ssib023646539
ssib036438606
ssib051376368
ssib038075146
ssib058814069
ssib011592811
ssib054421839
Score 2.3478155
Snippet TN957.52;...
SourceID wanfang
SourceType Aggregation Database
StartPage 411
Title 基于散射点拓扑和双分支卷积神经网络的SAR图像小样本舰船分类
URI https://d.wanfangdata.com.cn/periodical/ldxb202402008
Volume 13
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnR1Na9VAMNR60YP4iZ_Fg3sq0ZfsJrt7TN5LKIIeagu9lSQv0YM8wbYgPWopFauP-nHRooKIF6H1VNqiv8a89Gc4M8lrUhX8uCyT3Z2ZnZkkM7vJzhrGlTiS3E14ZopuEplCJakZiZibwlUwHbIyN01wv_ONm-7EtLg-48yMHFpu_LW0MB9fTRZ_u6_kf6wKdWBX3CX7D5bdJwoVAIN9oQQLQ_lXNmaBw3TIfI8FAksVsMBl2mEexya_xZRggWTKZr7GJuUzzQnQTFuEbjPVRkCFQ0Ax5RIdwbyQajrMl0jHk1QDJSAGCPg-IiLQIYJUo9sIaBiPuOVNEhef-QGR4tS_HFuIXLwWEXcRywNEhQOA1grQjSEBcQvoN-NpFmgiLrE_sCi5eB3mkQjKg6EO7yli20aGSClEGLCBgwqbXUBazyaFKpKkAuougqQux6xJn4CEEtVdoKVD1tBoCh0011bselWVhPSHGpGVTj1NFgUxBMLIL2SeRfJYQwO00DxVZ5e0AKzs8V8pjlO01XA-NoS7JoR7Mwe8E288hXbD1YjKSZVRiygzLPziEHEnFh72PQlxfHlG0k_pxe92H8QoesumPfOHbSktp7E0Ae9lmDRoW9V-AM8cwIzGw2uIgSBurtMMQjNXbv31Hs80cBo5ihwLvVo9zXWEoEB9_1phGrby4PtyrRRiSpeW6vdVVOWRRvGuVcLRtrteFvVuNyLEqePGsWpqd9krn9MTxsjinZPG0UbCz1PGVP5u5_vOs8GrD_nmUvFwe_DkxeDxWv58Ne-v5ivLg5cb-dOt4tNG8fFtsdsvvq4Vu-vF6yV4ivI33_JH_XyzP3i_NVj_vLeyubeyDSjFl93TxnQYTLUnzOpcE3MOU2mZkWtLLZM4jroyE5lOMpE4rYRrnvHYERnMkUQs0zTOFG8loLhURF0hMtmVTmJbnJ8xRnv3eulZ_DExghdq5KouZtWyY-XaKpIZGADPhdDZOWOs0sls9d6amz1g8fN_6nDBOIJwuep40Ridv7-QXoI4fD4eo5vkB4LorHE
linkProvider Directory of Open Access Journals
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E6%95%A3%E5%B0%84%E7%82%B9%E6%8B%93%E6%89%91%E5%92%8C%E5%8F%8C%E5%88%86%E6%94%AF%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84SAR%E5%9B%BE%E5%83%8F%E5%B0%8F%E6%A0%B7%E6%9C%AC%E8%88%B0%E8%88%B9%E5%88%86%E7%B1%BB&rft.jtitle=%E9%9B%B7%E8%BE%BE%E5%AD%A6%E6%8A%A5&rft.au=%E5%BC%A0%E7%BF%BC%E9%B9%8F&rft.au=%E5%8D%A2%E4%B8%9C%E4%B8%9C&rft.au=%E4%BB%87%E6%99%93%E5%85%B0&rft.au=%E6%9D%8E%E9%A3%9E&rft.date=2024&rft.pub=%E8%8B%8F%E5%B7%9E%E7%A9%BA%E5%A4%A9%E4%BF%A1%E6%81%AF%E7%A0%94%E7%A9%B6%E9%99%A2+%E8%8B%8F%E5%B7%9E+215128&rft.issn=2095-283X&rft.volume=13&rft.issue=2&rft.spage=411&rft.epage=427&rft_id=info:doi/10.12000%2FJR23172&rft.externalDocID=ldxb202402008
thumbnail_s http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Fldxb%2Fldxb.jpg