EMC2A-Net：一种用于SAR目标分类的高效多分支跨通道注意力网络
计算机视觉与模式识别
2023-08-09 v1
摘要
近年来，卷积神经网络（CNNs）在合成孔径雷达（SAR）目标识别中展现出巨大潜力。SAR图像具有强烈的颗粒感，并具备不同尺度的纹理特征，如散斑噪声、目标主导散射体及目标轮廓，这些在传统CNN模型中很少被考虑。本文提出两种基于多分支结构、具有多尺度感受野（RFs）的残差块，即EMC2A块，并据此设计了一种高效的同构架构深度CNN（DCNN）——EMC2A-Net。EMC2A块利用不同膨胀率的并行空洞卷积，可在不显著增加计算负担的情况下有效捕获多尺度上下文特征。为进一步增强多尺度特征融合效率，本文提出一种多尺度特征跨通道注意力模块，即EMC2A模块，采用无降维的局部多尺度特征交互策略。该策略通过高效的一维（1D）循环卷积与sigmoid函数自适应调整各通道权重，以在全局通道层级引导注意力。在MSTAR数据集上的对比结果表明，EMC2A-Net优于现有同类型可用模型，且具有相对轻量的网络结构。消融实验结果表明，EMC2A模块仅使用少量参数与恰当跨通道交互即显著提升了模型性能。
引用
@article{arxiv.2208.01836,
title = {EMC2A-Net: An Efficient Multibranch Cross-channel Attention Network for SAR Target Classification},
author = {Xiang Yu and Zhe Geng and Xiaohua Huang and Qinglu Wang and Daiyin Zhu},
journal= {arXiv preprint arXiv:2208.01836},
year = {2023}
}
备注
15 pages, 9 figures, Submitted to IEEE Transactions on Geoscience and Remote Sensing, 2022