Para resolver as limitações das redes neurais convolucionais profundas tradicionais na classificação de imagens navais de granulação fina, este artigo projeta um modelo de reconhecimento de navios remotos de granulação fina com conjunto aberto. Primeiro, um módulo STN baseado em mecanismo de atenção é introduzido antes da rede de extração de características para filtrar informações de fundo; então, após o módulo STN, uma estrutura convolucional paralela multiescala é conectada para fortalecer a capacidade da rede de extrair características de regiões locais em diferentes escalas; em seguida, as características extraídas são inseridas separadamente no ramo base e no ramo de meta-embedding para aumentar a variância entre classes e reduzir a variância dentro da classe, enquanto fortalece o aprendizado do modelo para classes com poucas amostras; finalmente, os resultados das classificações dos dois ramos são fundidos para a decisão, distinguindo as classes conhecidas e desconhecidas com base em um limiar definido e subdividindo ainda mais as classes conhecidas. Foram realizados quatro experimentos de diferentes graus de abertura no conjunto de dados FGSCR-42 com distribuição equilibrada e desequilibrada, e os resultados mostram que a precisão média nas quatro aberturas do conjunto equilibrado foram 90,5%, 86,3%, 85,7%, 85,1%, e no conjunto desequilibrado foram 90,0%, 85,1%, 84,3%, 84,1%. Em comparação com os métodos predominantes atuais de reconhecimento de navios, este método apresenta maior precisão de classificação e melhor capacidade de generalização.

Mecanismo de atenção;classificação de granulação fina;reconhecimento de conjunto aberto;fusão de decisão