基于深度生成模型的高保真全方位SAR图像生成方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984710A(43)申请公布日2023.04.18(21)申请号202211656051.0G06N3/0464(2023.01)(22)申请日2022.12.22(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人邢孟道金吉森石鑫孙光才(74)专利代理机构西安嘉思特知识产权代理事务所(普通合伙)61230专利代理师万艳艳(51)Int.Cl.G06V20/13(2022.01)G06V10/40(2022.01)G06V10/82(2022.01)G06N3/047(2023.01)G06N3/048(2023.01)G06N3/08(2023.01)权利要求书2页说明书7页附图4页(54)发明名称基于深度生成模型的高保真全方位SAR图像生成方法(57)摘要本发明公开了一种基于深度生成模型的高保真全方位SAR图像生成方法，包括：将待生成SAR图像的预设类别、预设方位角和预设噪声向量输入图像生成模型；图像生成模型包括线性层、第一生成残差模块、自注意力模块、第二生成残差模块和生成模块；线性层对噪声向量进行维度扩展后，第一生成残差模块对维度扩展后的噪声向量进行特征提取，并生成第一特征图；自注意力模块根据第一特征图生成自注意力特征图；基于自注意力特征图，生成模块生成预设类别和预设方位角下的SAR图像。本发明所使用的图像生成模型网络结构简单、参数量较少，有利于降低过拟合的风险，并且自注意力模型引入了自注意力机制，能够改善特征图的表达能力，进而改善生成的SAR图像的质量。CN115984710ACN115984710A权利要求书1/2页1.一种基于深度生成模型的高保真全方位SAR图像生成方法，其特征在于，包括：将待生成SAR图像的预设类别、预设方位角和预设噪声向量输入图像生成模型；所述图像生成模型包括依次连接的线性层、第一生成残差模块、自注意力模块、第二生成残差模块和生成模块；所述线性层对所述噪声向量进行维度扩展后，所述第一生成残差模块对维度扩展后的噪声向量进行特征提取，并生成第一特征图；所述自注意力模块根据所述第一特征图生成自注意力特征图；基于所述自注意力特征图，所述生成模块利用预设激活函数生成预设类别和预设方位角下的SAR图像。2.根据权利要求1所述的基于深度生成模型的高保真全方位SAR图像生成方法，其特征在于，所述自注意力模块根据所述第一特征图生成自注意力特征图的步骤，包括：所述自注意力模块利用3个1*1的卷积核分别对所述第一特征图进行卷积，得到第一子图、第二子图和第三子图；将所述第一子图与所述第二子图点乘后输入Softmax函数，生成注意力图；将所述注意力图与所述第三子图点乘后进行卷积，得到自注意力特征图。3.根据权利要求1所述的基于深度生成模型的高保真全方位SAR图像生成方法，其特征在于，所述图像生成模型按照如下步骤训练得到：获取训练数据集，所述训练数据集包括多个训练样本，各训练样本包括样本图像、样本图像对应的真实类别以及真实方位角，所述样本图像为SAR图像；生成噪声向量，并将生成的噪声向量输入至待训练的生成对抗网络，以使所述待训练的生成对抗网络中的待训练生成器网络基于所述第二预设噪声向量，生成与所述真实类别和真实方位角对应的假图像；生成实例噪声并将所述实例噪声分别添加至所述假图像和所述样本图像；将添加有实例噪声的假图像和添加有实例噪声的样本图像分别输入所述待训练的生成对抗网络中的待训练判别器网络，并根据所述待训练判别器网络的判别结果、所述真实类别和所述真实方位角确定预设损失函数的损失值；根据所述损失值判断所述待训练的生成对抗网络是否收敛；若是，则将所述待训练的生成对抗网络中的待训练生成器网络作为图像生成模型；若否，则通过反向传播交替调整待训练生成器网络的网络参数和待训练判别器网络的网络参数之后，返回所述生成噪声向量，并将生成的噪声向量输入至待训练的生成对抗网络的步骤。4.根据权利要求3所述的基于深度生成模型的高保真全方位SAR图像生成方法，其特征在于，所述预设损失函数包括待训练生成器网络的第一预设损失函数和待训练判别器网络的第二预设损失函数。5.根据权利要求4所述的基于深度生成模型的高保真全方位SAR图像生成方法，其特征在于，所述将添加有实例噪声的假图像和添加有实例噪声的样本图像分别输入所述待训练的生成对抗网络中的待训练判别器网络，并根据所述待训练判别器网络的判别结果、所述真实类别和所述真实方位角确定预设损失函数的损失值的步骤，包括：将添加有实例噪声的假图像输入至待训练的判别器网络，并根据所述待训练的判别器网络的第一判别结果、所述真实类别、所述真实方位角和所述第一预设损失函数，确定第一2CN115984710A权利要求书2