基于多尺度注意力和空间通道重构卷积的冲击回波频谱图像分类

摘要

针对传统卷积神经网络对冲击回波信号频谱图像进行分类时，面临卷积神经网络特征提取能力不足和数据集类别不平衡的问题，提出一种基于多尺度注意力和空间通道重构卷积的神经网络模型(Multi-scale Hybrid Attention and Spatial Channel Reconstruction Convolutional Neural Network, MHA-SCConvNet).首先设计了多尺度混合注意力(Multi-scale Hybrid Attention, MHA)模块，用于提取不同尺度的频谱图像特征并增强模型对频谱波形关键信息的关注力度.其次，引入空间通道重构卷积(Spatial and Channel Reconstruction Convolution, SCConv)模块，通过优化图像特征的表示来降低特征冗余.最后，提出了新的混合损失函数GDHM Loss(Gradient and Distribution Harmonized Margin Loss,梯度与分布协调边距损失),该损失函数在动态情况下同时考虑难分类样本和少数类样本.在自建的数据集上进行了训练与测试，并与AlexNet、VGGNet、GoogLeNet等分类模型对比，MHA-SCConvNet准确率达到94.58%.实验结果表明，MHA-SCConvNet模型能够有效提高冲击回波信号频谱图像分类的准确率和效率.

关键词

频谱图像分类 / 多尺度注意力模块 / 卷积神经网络 / 混合损失函数 / 空间通道重构卷积