基于脉冲神经网络的轻量化SAR图像舰船识别算法

doi:10.12068/j.issn.1005-3026.2024.04.003

摘要/Abstract

摘要：

针对传统方法进行合成孔径雷达（SAR）图像目标识别存在参数多、能耗高等问题，提出了一种基于脉冲神经网络（SNN）的轻量化SAR图像舰船识别算法.首先，利用视觉注意力机制提取SAR图像视觉显著图，采用泊松编码器进行脉冲序列编码，能抑制背景噪声干扰.然后，结合泄漏整合发射（LIF）脉冲神经元和卷积神经网络，构建融合时序信息的SNN模型，能实现SAR图像舰船识别.最后，采用反正切函数作为反向传播时脉冲发射函数的梯度替代函数对SNN模型进行优化，能解决模型难以训练的问题.实验结果表明所提算法具有高精度、少参数、高效率和低能耗等优势，能实现SAR图像高效准确舰船识别.

关键词: 合成孔径雷达图像, 舰船识别, 脉冲神经网络, 轻量化

Abstract:

Due to the more parameters and higher energy-consumption in the traditional methods for the synthetic aperture radar （SAR） image target recognition， this paper proposes a lightweight ship recognition algorithm based on the spiking neural network （SNN） in SAR images. Firsty， the visual attention mechanism is adopted to extract the visual saliency map from SAR images， and the Poisson encoder is adopted for the spike train encode， which can suppress the background noise interference. Then， combined with the leaky integrate-and-fire（LIF） spiking neuron and convolutional neural network， the SNN model integrating the time series information is constructed， which can realize the ship recognition in SAR images. Finally， the SNN model is optimized by using the arctangent function as the surrogate gradient function of the spiking emission function during the backpropagation， which can solve the problem that the SNN model is difficult to train. The experiment results show that the proposed algorithm has higher accuracy， fewer parameters， higher efficiency， and lower energy-consumption， which can achieve efficient and accurate ship recognition in SAR images.

Key words: synthetic aperture radar（SAR） image, ship recognition, spiking neural network （SNN）, lightweight

中图分类号:

TN 957.52

谢洪途, 陈佳兴, 张琳, 朱楠楠. 基于脉冲神经网络的轻量化SAR图像舰船识别算法[J]. 东北大学学报（自然科学版）, 2024, 45(4): 474-482.

Hong-tu XIE, Jia-xing CHEN, Lin ZHANG, Nan-nan ZHU. Lightweight Ship Recognition Algorithm Based on SNN in SAR Images[J]. Journal of Northeastern University(Natural Science), 2024, 45(4): 474-482.

图/表 8

图1 基于SNN的轻量化SAR图像舰船识别算法的模型框架

Fig.1 Model framework of the lightweight ship recognition algorithm based on SNN in SAR image

图2 视觉注意力机制模型结构

Fig.2 Model architecture of the visual attention mechanism

图3 泊松编码器的编码过程

Fig.3 Encoding process of the Poisson encoder

图4 主干网络结构图

Fig.4 Structure diagram of the backbone network

表 1 不同方法的舰船目标识别结果 (%)

Table 1 Ship recognition results of different methods

方法	模型	P	R	F1
传统识别方法	LR	92.67	92.65	92.58
	KNN	92.50	92.49	92.50
	SVM	88.13	87.37	87.75
	DT	89.34	89.39	89.36
深度学习识别方法	AlexNet	92.67	92.73	92.68
	GoogleNet	94.44	94.49	94.46
	MobileNet	94.81	94.82	94.80
	DenseNet	95.14	95.15	95.15
	ResNet-18	95.05	95.07	95.06
	ResNet-34	94.92	94.90	94.96
	ResNet-50	94.10	94.06	94.05
	本文SpikingSAR	95.57	95.59	95.58

表2 舰船目标识别结果的混淆矩阵

Table 2 Confusion matrix of the ship recognition results

样本集	舰船样本	类船样本	背景样本	F1/%
舰船样本	396	2	1	98.55
类船样本	2	377	20	93.31
背景样本	1	24	374	94.21
F1/%				95.58

图5 不同神经网络模型的参数量

Fig.5 Parameters of the different neural network models

图6 不同神经元模型仿真时长与F1关系

Fig.6 Relation between simulation time and F1 for different neuron models

参考文献 14

1	Hu X， Xie H T， Zhang L，et al.Fast factorized backprojection algorithm in orthogonal elliptical coordinate system for ocean scenes imaging using geosynchronous spaceborne‐airborne VHF UWB bistatic SAR［J］.Remote Sensing，2023，15（8）：2215-2241.
2	Chen J X， Xie H T， Zhang L，et al.SAR and optical image registration based on deep learning with co‐attention matching module［J］.Remote Sensing，2023，15（15）：3879-3896.
3	Jiang X Q， Xie H T， Chen J X，et al.Arbitrary‐oriented ship detection method based on long‐edge decomposition rotated bounding box encoding in SAR images［J］.Remote Sensing，2023，15（3）：673-694.
4	Jiang X Q， Xie H T， Lu Z，et al.Energy‑efficient and high‑performance ship classification strategy based on siamese spiking neural network in dual‑polarized SAR images［J］.Remote Sensing，2023，15（20）：4966-4983.
5	Xie H T， He J F， Lu Z，et al.Two‐level feature‐fusion ship recognition strategy combining HOG features with dual‐polarized data in SAR images［J］.Remote Sensing，2023，15（18）：4393-4405.
6	Devlin J， Chang M W， Lee K，et al.BERT：pre‐training of deep bidirectional transformers for language understanding［C］//Conference of the North American Chapter of the Association for Computational Linguistics.Minneapolis，2019：4171-4186.
7	Brown T B， Mann B， Ryder N，et al.Language models are few‑shot learners［C］//International Conference on Neural Information Processing Systems.Vancouver，2020：1877-1901.
8	Fedus W， Zoph B， Shazeer N.Switch transformers：scaling to trillion parameter models with simple and efficient sparsity［J］.Journal of Machine Learning Research，2022，23：1-40.
9	Roy K， Jaiswal A， Panda P.Towards spike‐based machine intelligence with neuromorphic computing［J］.Nature，2019，575（7784）：607-617.
10	Hong C F， Yuan M W， Zhang M X，et al.SPAIC：a spike‐based artificial intelligence computing frame work［J］.IEEE Computational Intelligence Magazine，2024，19（1）：51-65.
11	Kim S， Park S， Na B，et al.Spiking‐YOLO：spiking neural network for energy‐efficient object detection［C］//AAAI Conference on Artificial Intelligence.New York，2020：11270-11277.
12	李超，李悦丽，安道祥，等.基于视觉注意机制的UWB SAR叶簇隐蔽目标变化检测［J］.电子学报，2016，44（1）：39-45.
	Li Chao， Li Yue‐li， An Dao‐xiang，et al.UWB SAR change detection of foliage‐concealed targets based on visual attention［J］.Acta Electronica Sinica，2016，44（1）：39-45.
13	Gerstner W， Kistler W， Naud R，et al.Neuronal dynamics：from single neurons to networks and models of cognition［M］.Cambridge：Cambridge University Press，2014.
14	Schwegmann C P， Kleynhans W， Salmon B P，et al.Very deep learning for ship discrimination in synthetic aperture radar imagery［C］//IEEE International Geoscience and Remote Sensing Symposium. Beijing，2016：104-107.

[1]	陈一馨，张婷，刘永刚，陈晶. 基于改进樽海鞘群算法的提梁机主梁轻量化设计方法[J]. 东北大学学报（自然科学版）, 2023, 44(2): 223-232.
[2]	李娟莉，魏代良，李博，文小. 基于深度学习轻量化的改进SSD煤矸快速分选模型[J]. 东北大学学报（自然科学版）, 2023, 44(10): 1474-1480.
[3]	张思佳，胡贤磊，刘相华. 轧制差厚板方盒件拉深成形的实验与数值模拟[J]. 东北大学学报（自然科学版）, 2022, 43(6): 801-808.
[4]	杨爱萍，宋尚阳，程思萌. 轻量化自适应特征选择目标检测网络[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1238-1245.
[5]	岳强，薛梦，张钰洁，栗树朋. 基于系统动力学模型的中国汽车工业废杂铝回收分析[J]. 东北大学学报:自然科学版, 2020, 41(1): 68-73.
[6]	黄智，吴湘，王洪艳，周涛. 整体叶盘磨抛机床叶片型面磨头结构拓扑优化设计[J]. 东北大学学报:自然科学版, 2019, 40(8): 1149-1153.
[7]	李播博，袁惠群，王光定，孙红运. 基于子结构模态综合法的重型牵引车优化设计[J]. 东北大学学报:自然科学版, 2019, 40(4): 531-537.
[8]	范例，谢里阳，张娜. 重卡驱动桥壳疲劳稳健性与轻量化设计[J]. 东北大学学报:自然科学版, 2019, 40(3): 365-369.
[9]	郭立新，周宏扬. 车架结构二次拓扑优化设计与性能分析[J]. 东北大学学报:自然科学版, 2017, 38(7): 998-1002.
[10]	王晓南;邸洪双;梁冰洁;杜林秀;. 轻量化设计的重型卡车车厢应力有限元数值模拟[J]. 东北大学学报(自然科学版), 2010, 31(1): 60-63.