一种基于全卷积轻量化神经网络的SAR图像目标识别方法

技术特征：
1.一种基于全卷积轻量化神经网络的sar图像目标识别方法，其特征在于，包括以下步骤：步骤1，获得sar图像集，将每个sar图像和对应的类别作为一组数据，得到包含多组数据的样本集；将样本集随机划分为训练集和测试集，并对所有样本均做归一化处理；步骤2，构建基于注意力机制的全卷积轻量化神经网络模型ψ；步骤3，对基于注意力机制的全卷积轻量化神经网络模型ψ进行训练，得到训练好的基于注意力机制的全卷积轻量化神经网络模型ψ’；步骤4，对训练好的基于注意力机制的全卷积轻量化神经网络模型ψ’进行基于细粒度的模型饱和量化压缩处理；步骤5，使用处理后的基于注意力机制的全卷积轻量化神经网络模型对sar图像目标进行识别，得到该sar图像目标的目标类型。2.根据权利要求1所述的基于全卷积轻量化神经网络的sar图像目标识别方法，其特征在于，基于注意力机制的全卷积轻量化神经网络模型ψ包含依次级联的第一深度可分离卷积模块、第二深度可分离卷积模块、第一最大池化层、第三深度可分离卷积模块、第一se注意力机制模块、第四深度可分离卷积模块、第二se注意力机制模块、第五深度可分离卷积模块、第二最大池化层、第六深度可分离卷积模块、第七深度可分离卷积模块、第八深度可分离卷积模块、第三最大池化层、第九深度可分离卷积模块、第四最大池化层、第十深度可分离卷积模块、第十一深度可分离卷积模块、全局平均池化层；其中，所有深度可分离卷积模块均包含依次级联的的深度可分离卷积层、bn层和relu激活函数层；基于注意力机制的全卷积轻量化神经网络模型ψ的输入为sar图像，输出为该sar图像中目标的类别。3.根据权利要求1所述的基于全卷积轻量化神经网络的sar图像目标识别方法，其特征在于，步骤3的子步骤如下：子步骤3.1，将训练集数据输入基于注意力机制的全卷积轻量化神经网络模型ψ，计算网络输出层的损失函数，计算公式如下：式中，y
i
为样本的真实标签，为样本的预测标签；子步骤3.2，通过反向传播算法和adam优化器对网络进行训练，且调用余弦学习率衰减策略，更新网络中的每一层参数；子步骤3.3，重复子步骤3.2，直到损失函数收敛，得到训练好的基于注意力机制的全卷积轻量化神经网络模型ψ’。4.根据权利要求1所述的基于全卷积轻量化神经网络的sar图像目标识别方法，其特征在于，步骤4的子步骤如下：子步骤4.1，从测试集中随机选出一部分数据作为校准集；将校准集的每一张sar图像都跑一次前向推理，统计每一层的每一个通道数据的分布直方图，其中每一个分布直方图的bin为2048；子步骤4.2，将原始分布直方图从第128个bin开始，一直到最后一个bin均进行截断处理，计算原始分布直方图与截断后的分布直方图的kl散度，kl散度的计算公式如下：
式中，p为原始分布，q为截断后的分布，信息熵交叉熵令kl散度最小的bin作为最佳阈值t；每一层的每一个通道数据都需要找到一个最佳阈值t；子步骤4.3，利用最佳阈值t计算激活值的量化因子scale_x,并提前存储为量化因子表；子步骤4.4，利用权重数据中每一层的每一通道中的绝对值最大值对该通道权重数据提前做量化，即非饱和量化，并对量化好的定点型权重数据做好存储；量化公式为：式中，w为浮点型权重，qw为int8位宽的定点型权重；子步骤4.5，利用量化因子scale_x，在前向推理过程中，实时对激活值数据进行饱和量化，量化公式为：x＝scake_x
×
qx式中，x为浮点型激活值，qx为定点型激活值；子步骤4.6，前向推理过程中，读取提前存储好的定点型权重及其量化因子，并实时对激活值完成饱和量化，每一层量化结束后，将定点权重与定点激活值相乘后再用量化因子反量化成浮点型数据后进入下一层；子步骤4.7，在前向推理过程中将bn层与该bn层前面的卷积层合并计算。5.根据权利要求1所述的基于全卷积轻量化神经网络的sar图像目标识别方法，其特征在于，具体的，bn融合过程如下：令则有：

技术总结
本发明涉及雷达图像处理领域，具体涉及一种基于全卷积轻量化神经网络的SAR图像目标识别方法。本发明构建基于注意力机制的全卷积轻量化神经网络模型，并对网络模型进行基于细粒度的模型饱和量化压缩处理，使得网络模型在能够嵌入到FPGA等边缘设备，满足实时性、低存储的需求的同时，对SAR图像保持较高的识别精度。对SAR图像保持较高的识别精度。对SAR图像保持较高的识别精度。


技术研发人员：陈渤 张思源 张婷 刘宏伟 王英华 王鹏辉 纠博
受保护的技术使用者：西安电子科技大学
技术研发日：2022.08.19
技术公布日：2022/11/11