《表2 Fusion2的融合结构》
本文提出了一种新的特征融合网络,其结构如图3所示.Fusion1和Fusion2为特征融合单元,Fusion1以适当的方式融合3层不同表征能力的特征图,提取了更多Sar图像的潜在特征,生成更准确的特征金字塔.Fusion2将金字塔相邻的不同尺度的特征图进行融合,建立了深浅层之间的耦合关系.其结构参数分别如表1(以Conv6和Conv9的生成为例)和表2所示.Fusion1对ResNet的Conv2、Con3、Conv4和Conv5层后3个block分别进行1×1同纬度的卷积运算,而后并联在一起并再次通过1×1的卷积对有效信息进行融合,生成了Conv6、Conv7、Conv8和Conv9.这4个特征信息更丰富和准确的特征层,感受野逐渐变大,特征的细粒度也逐渐减小.其中Conv6是从Conv2特征图中融合得到,包含更多的目标细节信息,因此其对小目标更敏感,对目标的定位更有效.Fusion2结构在新的金字塔结构上建立了深层特征到浅层特征的链接.对小尺寸的特征图首先进行双线性插值,而后通过1×1卷积跨通道地整合信息并降低特征层维度,通过3×3的卷积减少特征图的结构误差,最后与经过1×1卷积的低维特征图融合.融合过程采用相加的方式,3×3的卷积是为消除混叠效应.相比于原始网络的FPN结构,本网络的输出层提取了更浅层的特征信息,各特征图的尺度为原输出特征图的4倍.
图表编号 | XD00132959100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.25 |
作者 | 刘洁瑜、赵彤、刘敏 |
绘制单位 | 火箭军工程大学导弹工程学院、火箭军工程大学导弹工程学院、湖南大学电气与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |