CN116416468B - 一种基于神经架构搜索的sar目标检测方法 - Google Patents
一种基于神经架构搜索的sar目标检测方法 Download PDFInfo
- Publication number
- CN116416468B CN116416468B CN202310376226.0A CN202310376226A CN116416468B CN 116416468 B CN116416468 B CN 116416468B CN 202310376226 A CN202310376226 A CN 202310376226A CN 116416468 B CN116416468 B CN 116416468B
- Authority
- CN
- China
- Prior art keywords
- search
- target detection
- calculation
- layer
- sar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 87
- 230000001537 neural effect Effects 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 76
- 238000010586 diagram Methods 0.000 claims description 8
- 239000012014 frustrated Lewis pair Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 17
- 238000000034 method Methods 0.000 abstract description 12
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000013527 convolutional neural network Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 21
- 238000012549 training Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经架构搜索的SAR目标检测方法，涉及目标检测技术领域，包括以下步骤：将SAR图像数据输入至基于神经架构搜索的SAR目标检测模型，输出SAR目标检测结果；包括基于主干网络搜索器的多个搜索层对SAR图像数据进行特征提取；基于Neck模块将提取的特征进行整合；基于Head模块对整合后的特征进行预测，得到SAR目标检测结果。本发明提出了一种基于神经架构搜索的SAR目标检测模型，能自动化的设计得到适合于当前SAR目标检测任务的高精度、轻量化模型，大大减轻人工设计负担。
Description
技术领域
本发明涉及目标检测技术领域，特别是涉及一种基于神经架构搜索的SAR目标检测方法。
背景技术
Synthetic Aperture Radar(SAR)是一种主动式的对地观测系统，通过发射微波并收集反射信息来实现对地观测的效果。由于SAR独特的成像机制，使其相比于光学遥感具有更强的观测能力，可以实现全天时、全天候观测。同时SAR还具有一定的穿透能力，具有很强的抗干扰和识别伪装的能力。基于以上的优点，SAR系统被广泛使用在民用与军事领域。
在对SAR图像进行人工处理时，海量的数据信息和有别于光学成像的图像特征都在很大程度影响了处理速度和精度。同时，在许多SAR图像处理任务，特别是在军事任务中，对SAR图像识别的速度与准确性提出了很高的要求。在这一背景下，研究人员开始研究SAR图像目标检测算法，希望能取代人工来自动化检测SAR图像中包含目标。
近年来，随着硬件设备算力的不断提升，基于深度学习的卷积神经网络(convolutional neural network,CNN)模型开始逐渐在光学图像目标检测任务上崭露头角。CNN模型是一种能有效提取二维图像数据特征的深度学习模型，它的优势在于可以取代人工特征设计，自动对图像特征进行主动学习、提取，同时CNN网络所包含的多层卷积层使得CNN网络相比传统的图像处理算法，能形成更加复杂的图像识别函数，从而更好的拟合待学习的图像目标特征。CNN网络在光学图像上的目标检测任务中，已经取得了非常好的效果。参照CNN网络在光学图像检测任务上的出色表现，在SAR图像目标检测的研究中也逐步开始引入CNN网络来解决在以往传统图像处理方法中出现的检测率低、鲁棒性差的问题。主要思路通常是在光学图像检测CNN模型上加以改进，结合SAR图像的特有性质加以改进得到新的SAR图像目标检测CNN模型。
尽管CNN网络在SAR图像目标检测任务上取得了不错的效果，研究人员还是遇到了新的困难，这些困难出现的主要原因在于神经网络结构复杂、参数量大、设计难度大。目前基于CNN网络的SAR图像目标检测算法主要面临以下困难：
(1)现有深度神经网络需要依据专家经验，人工设计网络架构，并通过不断试错调参，构建满足SAR目标检测应用的深度神经网络。此过程繁杂耗时，且通常是局部最优模型。
(2)面向边缘端应用的有限计算资源条件下的硬件平台部署，需要针对硬件平台的计算资源，进行定制化的模型压缩策略，通常难以保证精度和计算量的均衡统一。
发明内容
本发明提供了一种基于神经架构搜索的SAR目标检测方法，通过自动化的结构搜索算法，在兼顾模型检测精度以及模型的计算复杂度、参数量、推理速度等指标的情况下，能自动的从搜索空间(所有候选计算模块的集合)中找到SAR目标检测CNN网络中每一层卷积计算层所适合的计算模块，最终得到综合性能最优、适合与计算资源有限的边缘段硬件设备上部署的SAR目标检测模型网络结构。
本发明提供一种基于神经架构搜索的SAR目标检测方法，包括以下步骤：
获取SAR图像数据；
将SAR图像数据输入至基于神经架构搜索的SAR目标检测模型，输出SAR目标检测结果；
根据SAR目标检测结果得到SAR目标种类和位置信息；
所述将SAR图像数据输入至基于神经架构搜索的SAR目标检测模型，输出SAR目标检测结果，包括：
基于主干网络搜索器的多个搜索层对SAR图像数据进行特征提取；
基于Neck模块将提取的特征进行整合；
基于Head模块对整合后的特征进行预测，得到SAR目标检测结果。
优选的，每个所述搜索层分别对应CNN网络的相应的卷积计算层，每个所述搜索层均并行添加有多个候选计算模块。
优选的，所述基于主干网络搜索器的多个搜索层对SAR图像数据进行特征提取，具体包括以下步骤：
为多个搜索层的每个候选计算模块Blocki均分配对应的系数θi；
通过Gumbel Softmax函数计算每个候选计算模块Blocki对应的实际加权计算系数
将当前搜索层的每个候选计算块Block1～i的计算结果与其对应的实际加权计算系数相乘并相加，得到当前搜索层的计算结果；
将当前搜索层的计算结果传递到下一个搜索层，下一个搜索层会将当前搜索层的计算结果传递给所有候选计算块进行并行计算，经过所有搜索层的计算后得到主干网络搜索器的最终输出特征图。
优选的，所述Gumbel Softmax函数计算公式如下:
式中，gi～Gumbel(0,1)是随机Gumbel噪声，τ为温度参数，k为搜索层的计算模块总个数，exp为指数函数。
优选的，搜索层的计算公式如下：
式中，LayerOutput为搜索层的输出。
优选的，构建基于神经架构搜索的损失函数，通过损失函数对主干网络搜索器中的权重参数进行迭代更新。
优选的，所述损失函数的公式如下：
其中，
式中，precisionloss为模型当前的精度损失值，latencyloss为模型推理时间损失值，flopsloss为模型的计算量损失，paramloss为模型的参数量损失值，layer为计算层，α为调整计算量损失的大小的参数，β为调节损失值大小的参数，li和pi分别为Blocki的计算延迟时间和参数数量，FLOPs(m)为当前搜索网络中的计算量，T为计算量的上限，γ为比1大得多的数。
优选的，所述主干网络搜索器中的权重参数迭代更新完成后，选取每层搜索层系数θ最大的值θmax对应的候选计算模块作为当前搜索层的搜索结果，当前搜索层对应的CNN卷积计算层将采用候选计算模块/>作为该层的卷积计算方式。
与现有技术相比，本发明的有益效果是：
本发明设计了一种基于神经架构搜索的SAR目标检测模型，构建基于神经架构搜索的主干网络搜索器，通过主干网络搜索器对目标检测网络的最佳主干结构进行搜索，将最佳主干网络与目标检测网络的Neck模块和Head模块进行结合，最终得到SAR目标检测模型。通过运用本发明的方法，能自动化的设计得到适合于当前SAR目标检测任务的高精度、轻量化模型，大大减轻人工设计负担。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种基于神经架构搜索的SAR目标检测方法的流程图；
图2是本发明的一种基于神经架构搜索的SAR目标检测模型结构示意图；
图3是本发明的主干结构搜索器的结构示意图；
图4是本发明搜索层内部计算结构示意图；
图5是本发明实验结果与当前其他SAR目标检测模型的检测效果可视化对比示意图；
图6是本发明实验结果在大场景SAR图片上的检测效果可视化展示图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，神经架构搜索(Neural Architecture Search,NAS)可以在一个庞大的神经网络结构集合中高效评估结构性能并找到最佳的网络结构。NAS方法搜索得到的CNN网络结构布局常常与人工设计的CNN网络有很大差异，但是仍然可以取得不逊于人工设计网络的性能效果。因此，为了解决目前基于深度学习CNN网络的SAR图像目标检测算法所面临的问题，本发明提出了一种基于神经架构搜索的SAR目标检测方法。具体包括以下步骤：
第一步：获取SAR图像数据。
第二步：构建基于神经架构搜索的SAR目标检测模型SARNas。
参照图2，SARNas的总体流程与普通目标检测框架相似，主要分为3个部分，包括SARNas-BS(SARNas-BackboneSearcher，主干结构搜索器)、Neck和Head部分以及SARMI-Loss。将SAR图像数据输入SARNas后，首先会在主干搜索部分SARNas-BS进行特征提取，之后将提取特征输入到随后的Neck与Head部分转化为模型训练结果，最后进入到SARNas的损失函数计算部分SARNas-Loss，根据损失函数SARMI-Loss(SAR multi-indicate Loss)将损失值传递给SARNas-BS指导主干网络结构的搜索。
SARNas与普通目标检测网络模型一样，可直接利用目标检测数据集进行训练。由此，可以省去另外寻找或自己制作SAR图像相关的分类数据集的额外工作，而直接可以使用SAR目标检测数据集进行训练，同时，SARNas最终采样得到输出的主干也正是适合于当前所采用的目标检测Neck与Head模块的主干结构，搜出的主干(Backbone)网络可不用做结构上的额外修改而直接与这些后续模块组合形成目标检测网络执行SAR图像目标检测训练任务。
构建一个负责进行主干部分NAS搜索任务的超网络SARNas-BS，并将他与目标检测网络中的Neck与Head部分组合起来，形成一个用于主干结构搜索的搜索超网络。为了降低NAS搜索运算量以及搜索时间，在搜索过程中，直接传入数据集训练超网络，并在训练完成后对超网络采样，得到最优子网络。
参照图3，其中主干结构搜索器SARNas-BS是由多个搜索层(SearchLayer)堆叠得到，每个搜索层分别对应CNN网络的相应的卷积计算层，其中每层并行添加多个候选计算块。在每个搜索层中，本发明将系数θ分配给每个候选计算模块。每个候选模块Blocki对应不同的系数θi被分配，以区分不同候选计算块在当前搜索层中的重要性。在超网络训练的过程中，根据损失函数SARMI-Loss计算得到的损失值进行反向传播计算，对超网络中的系数θ的值进行迭代更新。
参照图4，在搜索层的计算过程中，将前一层的计算结果传递到当前的搜索层后，当前搜索层会将输入传递给搜索层中的所有候选计算块进行并行计算。同时，通过GumbelSoftmax函数来计算每个候选计算块Blocki对应的系数θi来实现用于参数归一化的作用。通过Gumbel Softmax的计算，获得搜索层中每个候选计算模块对应的实际加权计算系数Gumbel Softmax计算公式如下：
公式(1)中，gi～Gumbel(0,1)是随机Gumbel噪声，τ被称为温度参数，用来调节对θi进行重参数化后所得到的系数之间的密集度，k为搜索层的计算模块总个数。
通过引入Gumbel Softmax，可以对系数θi进行反向传播并更新它们。最后，将每个候选计算块Block1～i的计算结果与其对应的实际加权计算系数相乘并相加。然后，得到搜索层的最终输出特征图。搜索层的计算方法概况公式如下：
随着超网络训练的进行，每个搜索层的计算系数θ也根据损失函数进行更新。在超网络训练结束后，通过搜索层中最终确定的系数θi的值来区分每个候选计算块在计算过程中对搜索层的重要性，将提取每个搜索层中包含的候选计算块对应的系数θ。此时，SARNas会选取每层搜索层系数θ最大的值θmax对应的候选计算模块作为该搜索层的搜索结果。该搜索结果就代表当前搜索层对应的CNN卷积计算层将采用该计算模块作为该层的卷积计算方式。
对于实际部署的SAR目标检测算法模型，除了具有良好的检测精度外，还需要结合实际硬件设备的性能对模型的综合性能进行优化。因此，本发明在设计搜索算法时，除了将准确率作为评价搜索网络模型的重要指标外，还引入了CNN模型的几个主要属性，如推理速度、参数量和计算量(衡量单位为FLOPs)，作为设计SARNas搜索方向的参考指标。
根据深度学习技术原理及神经网络模型的训练特点，本发明重新设计损失函数，将网络模型精度、推理速度、参数量、计算量加入到损失函数的计算中，由此提出了一种新的损失函数SARMI-Loss(SAR Multi-Index loss)，在超网络训练过程中通过对损失函数计算得到的损失值进行反向传播来指导SARNas的搜索方向。SARMI-Loss公式如下：
其中precisionloss表示模型当前的精度损失值，反应当前搜索模型的检测精度。latencyloss表示模型推理时间损失值，反映了当前搜索模型的推理时间大小。flopsloss表示当前搜索模型的计算量损失，它反映了当前搜索模型的计算量。paramloss表示当前搜索模型的参数量损失值，反映了模型参数量的大小。
对以上损失函数中各项损失值，以推理时间损失值为例，本发明设计的计算思路是：将每一层的计算模块分别与其模块系数相乘并累加得到该搜索层的推理时间损失，再将所有搜索层的推理时间损失累加，最终得到当前搜索模型的推理时间损失latencyloss。计算量损失flopsloss和参数量损失paramloss也是遵循同样的计算思路设计。计算公式列出如下：
其中，参数β用来调节损失值大小，使在训练中各部分损失值大小保持协调，避免各项损失值差距过大，引起NAS搜索方向失衡。表示对应的候选计算模块Blocki的权重系数。li和pi分别表示Blocki的计算延迟时间和参数数量。
在SAR图像算法的实际落地中，常受到目标硬件设备的算力限制，需要对模型算法的运算量进行优化设计。为实现自动化的根据硬件设备情况，在算力允许范围内进行架构搜索。因此，针对损失函数SARMI-Loss中的flopsloss项损失计算部分，本发明提出了具体的实现思想，即将flopsloss损失项设定为一个分段函数，并在其中增加一个新的限制系数，其公式如下：
其中FLOPs(m)表示当前搜索的网络中的计算量(Floating Point Operations，FLOPs，浮点运算数；FLOPs值越大，则代表算法的运算量越大，运算复杂度越高)，T表示计算量的上限。α是一个参数，其值对应于当前搜索的模型的FLOPs，用于调整此时计算量损失的大小。当FLOPs(m)>T时，α的值是γ。在实际应用中，γ值可以根据情况进行调整，γ值通常设定为比1大得多的数。对α的取值进行分段设定，使得在NAS搜索过程中分情况对搜索方向进行约束：当网络运算量超出预期设计上限时，将搜索重点放在降低模型运算量的模型组合上；当网络运算量在预期设计上限以内，搜素算法将更关注模型的其他性能信息。
第三步：将SAR图像数据输入至基于神经架构搜索的SAR目标检测模型，获得目标检测结果。
参照图5和图6，为了验证本发明的有效性，将本发明提出的SARNas算法在两个当前主流的SAR图像目标检测数据集SSDD和HRSID上进行了实验验证。选择基于YOLO系列算法的SAR目标检测来作为算法改进基础模型。
目前，在YOLO系列中，YOLOX和YOLOV5是综合性能优异、最具代表性的两种深度学习目标检测器，在工程应用中应用广泛。因此，本发明的验证实验选择YOLOX作为无锚框检测框架代表模型、选择YOLOV5作为有锚框检测框架代表模型，分别使用SARNas算法进行自动化深度学习神经网络模型的设计优化工作。根据实验结果可知，本发明最终自动设计得到的模型在保证SAR目标检测任务有效识别精度的同时，能够有效平衡搜索模型的推理时间、参数量和计算量等影响模型实际硬件部署性能的因素。实验具体数据如下表1和表2所示，相应的模型可视化识别结果如图5和图6所示。
表1与当前最新的目标检测网络的检测效果对比结果
表2与其他SAR目标检测算法的检测效果对比结果
通过运用本发明的技术算法，能自动化的设计得到适合于当前SAR目标检测任务的高精度、轻量化模型，大大减轻人工设计负担。
通过本发明提出的技术算法，针对计算资源有限的硬件设备也可以定制化的设计出轻量化SAR目标检测模型，便于实际部署应用。
本发明提出的技术算法，可以用来优化已有的模型算法结构，在已有的模型基础上对其结构进行二次完善，达到提升原有模型算法精度、对模型进行轻量化的效果。
(1)本发明设计了针对于SAR目标检测模型设计任务的自动化算法SARNas，构建了灵活高效的超网络搜索策略和子网贡献度评估策略。本发明提出的SARNas算法能够自主地进行端到端的搜索，自动化的得到综合性能(包括精度、模型计算量、参数量、推理时间)最优的SAR目标检测模型。
(2)针对SAR检测模型在边缘端硬件设备部署时往往会受到有限的资源约束，而无法顺利应用这一难点，本发明将目标检测精度和模型计算复杂度(包括推理速度、参数、模型计算量等)作为联合指导目标，设计了一种新的NAS损失函数SARMI-Loss，用于指导和学习性能更均衡的SAR目标检测器。
(3)本发明所提出的SARNas算法可作为设计人员的辅助设计优化工具，根据边缘端部署设备的计算资源能力自动优化设计任何基于深度学习技术的SAR目标检测模型，具有极强的灵活性和定制空间。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于神经架构搜索的SAR目标检测方法，其特征在于，包括以下步骤：
获取SAR图像数据；
将SAR图像数据输入至基于神经架构搜索的SAR目标检测模型，输出SAR目标检测结果；
根据SAR目标检测结果得到SAR目标种类和位置信息；
所述将SAR图像数据输入至基于神经架构搜索的SAR目标检测模型，输出SAR目标检测结果，包括：
基于主干网络搜索器的多个搜索层对SAR图像数据进行特征提取；每个所述搜索层分别对应CNN网络的相应的卷积计算层，每个所述搜索层均并行添加有多个候选计算模块；
基于Neck模块将提取的特征进行整合；
基于Head模块对整合后的特征进行预测，得到SAR目标检测结果；
所述基于主干网络搜索器的多个搜索层对SAR图像数据进行特征提取，具体包括以下步骤：
为每个搜索层的每个候选计算模块Blocki均分配对应的系数θi；
通过Gumbel Softmax函数计算每个候选计算模块Blocki对应的实际加权计算系数
将当前搜索层的多个候选计算块Block1 i的计算结果与其对应的实际加权计算系数相乘并相加，得到当前搜索层的计算结果；
将当前搜索层的计算结果传递到下一个搜索层，下一个搜索层会将当前搜索层的计算结果传递给所有候选计算块进行并行计算，经过所有搜索层的计算后得到主干网络搜索器的最终输出特征图。
2.如权利要求1所述的一种基于神经架构搜索的SAR目标检测方法，其特征在于，所述Gumbel Softmax函数计算公式如下:
式中，giGumbel(0,1)是随机Gumbel噪声，τ为温度参数，k为搜索层的计算模块总个数，exp为指数函数。
3.如权利要求2所述的一种基于神经架构搜索的SAR目标检测方法，其特征在于，搜索层的计算公式如下：
式中，LayerOutput为搜索层的输出。
4.如权利要求1所述的一种基于神经架构搜索的SAR目标检测方法，其特征在于，构建基于神经架构搜索的损失函数，通过损失函数对主干网络搜索器中的权重参数进行迭代更新。
5.如权利要求4所述的一种基于神经架构搜索的SAR目标检测方法，其特征在于，所述损失函数的公式如下：
其中，
式中，precisionloss为模型当前的精度损失值，latencyloss为模型推理时间损失值，flopsloss为模型的计算量损失，paramloss为模型的参数量损失值，layer为计算层，α为调整计算量损失的大小的参数，β为调节损失值大小的参数，li和pi分别为Blocki的计算延迟时间和参数数量，FLOPs(m)为当前搜索网络中的计算量，T为计算量的上限，γ为比1大得多的数。
6.如权利要求4所述的一种基于神经架构搜索的SAR目标检测方法，其特征在于，所述主干网络搜索器中的权重参数迭代更新完成后，选取每层搜索层系数θ最大的值θmax对应的候选计算模块作为当前搜索层的搜索结果，当前搜索层对应的CNN卷积计算层将采用候选计算模块/>作为该层的卷积计算方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310376226.0A CN116416468B (zh) | 2023-04-11 | 2023-04-11 | 一种基于神经架构搜索的sar目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310376226.0A CN116416468B (zh) | 2023-04-11 | 2023-04-11 | 一种基于神经架构搜索的sar目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116416468A CN116416468A (zh) | 2023-07-11 |
| CN116416468B true CN116416468B (zh) | 2023-10-03 |
Family
ID=87052719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310376226.0A Active CN116416468B (zh) | 2023-04-11 | 2023-04-11 | 一种基于神经架构搜索的sar目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116416468B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117010447B (zh) * | 2023-10-07 | 2024-01-23 | 成都理工大学 | 基于端到端的可微架构搜索方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110488288A (zh) * | 2019-08-09 | 2019-11-22 | 西安电子科技大学 | 一种机载sar高分辨层析成像方法 |
| WO2021018163A1 (zh) * | 2019-07-30 | 2021-02-04 | 华为技术有限公司 | 神经网络的搜索方法及装置 |
| US10976429B1 (en) * | 2017-10-16 | 2021-04-13 | Hrl Laboratories, Llc | System and method for synthetic aperture radar target recognition utilizing spiking neuromorphic networks |
| CN113076938A (zh) * | 2021-05-06 | 2021-07-06 | 广西师范大学 | 一种结合嵌入式硬件信息的深度学习目标检测方法 |
| CN113780152A (zh) * | 2021-09-07 | 2021-12-10 | 北京航空航天大学 | 一种基于目标感知的遥感图像船只小目标检测方法 |
| CN115546555A (zh) * | 2022-10-18 | 2022-12-30 | 安徽大学 | 一种基于混合表征学习增强的轻量化sar目标检测方法 |
| CN115688908A (zh) * | 2022-09-28 | 2023-02-03 | 东南大学 | 一种基于剪枝技术的高效神经网络搜索与训练方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12112112B2 (en) * | 2020-11-12 | 2024-10-08 | Samsung Electronics Co., Ltd. | Method for co-design of hardware and neural network architectures using coarse-to-fine search, two-phased block distillation and neural hardware predictor |
-
2023
- 2023-04-11 CN CN202310376226.0A patent/CN116416468B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10976429B1 (en) * | 2017-10-16 | 2021-04-13 | Hrl Laboratories, Llc | System and method for synthetic aperture radar target recognition utilizing spiking neuromorphic networks |
| WO2021018163A1 (zh) * | 2019-07-30 | 2021-02-04 | 华为技术有限公司 | 神经网络的搜索方法及装置 |
| CN110488288A (zh) * | 2019-08-09 | 2019-11-22 | 西安电子科技大学 | 一种机载sar高分辨层析成像方法 |
| CN113076938A (zh) * | 2021-05-06 | 2021-07-06 | 广西师范大学 | 一种结合嵌入式硬件信息的深度学习目标检测方法 |
| CN113780152A (zh) * | 2021-09-07 | 2021-12-10 | 北京航空航天大学 | 一种基于目标感知的遥感图像船只小目标检测方法 |
| CN115688908A (zh) * | 2022-09-28 | 2023-02-03 | 东南大学 | 一种基于剪枝技术的高效神经网络搜索与训练方法 |
| CN115546555A (zh) * | 2022-10-18 | 2022-12-30 | 安徽大学 | 一种基于混合表征学习增强的轻量化sar目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于多结构卷积神经网络的高分遥感影像飞机目标检测;姚相坤;万里红;霍宏;方涛;;计算机工程(第01期);全文 * |
| 基于特征融合卷积神经网络的SAR图像目标检测方法;刘志宏;李玉峰;;微处理机(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116416468A (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113449680B (zh) | 一种基于知识蒸馏的多模小目标检测方法 | |
| CN113065558B (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
| CN108764006B (zh) | 一种基于深度强化学习的sar图像目标检测方法 | |
| CN112163601B (zh) | 图像分类方法、系统、计算机设备及存储介质 | |
| CN110991284B (zh) | 一种基于场景预分类的光学遥感图像语句描述生成方法 | |
| CN111178316A (zh) | 一种基于深度架构自动搜索的高分辨率遥感影像土地覆盖分类方法 | |
| CN114170526B (zh) | 基于轻量化网络的遥感影像多尺度目标检测识别方法 | |
| CN115601692A (zh) | 数据处理方法、神经网络模型的训练方法及装置 | |
| CN116416468B (zh) | 一种基于神经架构搜索的sar目标检测方法 | |
| CN117649526A (zh) | 一种面向自动驾驶道路场景的高精度语义分割方法 | |
| CN116306813A (zh) | 一种基于yolox轻量化及网络优化的方法 | |
| CN111192240B (zh) | 一种基于随机接入记忆的遥感图像目标检测方法 | |
| CN113327271B (zh) | 基于双光孪生网络决策级目标跟踪方法、系统及存储介质 | |
| CN115147727A (zh) | 一种遥感影像不透水面提取方法及系统 | |
| Li et al. | Channel Pruned YOLOv5-based Deep Learning Approach for Rapid and Accurate Outdoor Obstacles Detection | |
| CN117710744A (zh) | 基于波段选择特征融合多注意力网络的高光谱图像分类方法 | |
| CN117667511A (zh) | 基于多源数据融合知识迁移的飞行数据异常检测恢复方法 | |
| CN113191259B (zh) | 用于高光谱图像分类的动态数据扩张方法及图像分类方法 | |
| CN116704378A (zh) | 一种基于自生长卷积神经网络的国土测绘数据分类方法 | |
| Zhang et al. | Vulcan: Automatic Query Planning for Live {ML} Analytics | |
| CN115272412A (zh) | 一种基于边缘计算的低小慢目标检测方法及跟踪系统 | |
| CN112052626A (zh) | 一种神经网络自动设计系统和方法 | |
| CN117808650B (zh) | 一种基于Transform-Flownet和R-FPN的降水预测方法 | |
| Li et al. | Single object tracking based on OSTrack and NAS head | |
| Rong et al. | Colorization of short wave infrared image based on depth learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |