[發(fā)明專利]面向小樣本殘差學(xué)習(xí)的合成孔徑雷達(dá)目標(biāo)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811263252.8
• 申請(qǐng)日: 2018-10-28
• 公開(kāi)（公告）號(hào): CN109492556B
• 公開(kāi)（公告）日: 2022-09-20
• 發(fā)明（設(shè)計(jì)）人: 張帆;傅真珍;趙鵬;尹嬙;胡偉
• 申請(qǐng)（專利權(quán)）人: 北京化工大學(xué)
• 主分類號(hào): G06V20/13
• 分類號(hào): G06V20/13;G06V10/774;G06V10/84;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 沈波

1.面向小樣本殘差學(xué)習(xí)的合成孔徑雷達(dá)目標(biāo)識(shí)別方法，其特征在于：該方法的步驟包括：

步驟(1)劃分好SAR圖像的訓(xùn)練集和測(cè)試集并進(jìn)行圖像剪裁和歸一化處理；

步驟(2)構(gòu)建加入了Dropout的殘差結(jié)構(gòu)，并搭建18層的殘差網(wǎng)絡(luò)模型；

步驟(3)用Center Loss損失函數(shù)來(lái)對(duì)網(wǎng)絡(luò)倒數(shù)第二層輸出的特征的類內(nèi)距離進(jìn)行約束，用Softmax Loss對(duì)經(jīng)過(guò)網(wǎng)絡(luò)最后的Softmax層的輸出進(jìn)行約束；將兩個(gè)損失函數(shù)的損失結(jié)果進(jìn)行加權(quán)作為最后的整體損失來(lái)監(jiān)督步驟(2)中所構(gòu)建的殘差網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

步驟(4)對(duì)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化，并選網(wǎng)絡(luò)的優(yōu)化函數(shù)；

在步驟(1)中，對(duì)于訓(xùn)練集的目標(biāo)圖像先剪裁出中心尺寸為H1×W1的部分即高×寬，之后隨機(jī)剪裁出尺寸為H2×W2的圖像，這樣的裁剪使目標(biāo)具了有位移性，進(jìn)而使訓(xùn)練出的網(wǎng)絡(luò)更具魯棒性；對(duì)于測(cè)試集的圖像只裁剪出H2×W2的中心目標(biāo)區(qū)域；之后使數(shù)據(jù)集圖像中的每個(gè)像素點(diǎn)的像素值都除以255，從而將圖像的像素值壓縮到0-1之間；

在步驟(2)中，構(gòu)建網(wǎng)絡(luò)模型時(shí)選擇了18層的殘差網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)，并在構(gòu)建殘差塊時(shí)引入了Dropout層；假設(shè)有兩個(gè)深度不同的網(wǎng)絡(luò)，深層網(wǎng)絡(luò)前面的結(jié)構(gòu)與淺層網(wǎng)絡(luò)一致，后面的結(jié)構(gòu)由不改變輸出的線性層構(gòu)成，那么這兩個(gè)網(wǎng)絡(luò)的性能也應(yīng)該是一樣的；使用殘差網(wǎng)絡(luò)作為主體網(wǎng)絡(luò)結(jié)構(gòu)；

殘差學(xué)習(xí)的模塊結(jié)構(gòu)是引入了快捷連接，即輸入被直接連接到塊的輸出上，層的輸出被定義為：

y＝F(x,{W_i})+x (1)

x為層的輸入，y為層的輸出，W_i為主干支路上可訓(xùn)練的權(quán)值，F(xiàn)(x,{W_i})為需要學(xué)習(xí)的映射關(guān)系；

模塊中主干支路的映射關(guān)系F(·)由多個(gè)卷積層構(gòu)成，在每個(gè)卷積層后面會(huì)連接批標(biāo)準(zhǔn)化層和修正線性單元；

BN層的作用是對(duì)上一個(gè)卷積層的輸出進(jìn)行標(biāo)準(zhǔn)化來(lái)調(diào)整數(shù)據(jù)的分布再傳入下個(gè)層，從而降低了權(quán)值初始化的成本并使網(wǎng)絡(luò)能更快速的收斂；BN的計(jì)算公式如下：

其中m表示當(dāng)前訓(xùn)練的批次大小，x_i為當(dāng)前輸入的值；公式(2)是在對(duì)當(dāng)前的輸入求取均值和方差；是對(duì)x_i進(jìn)行標(biāo)準(zhǔn)化后的輸出；由于標(biāo)準(zhǔn)化后的數(shù)值服從均值為0方差為1的高斯分布，這樣大部分的值便落在了非線性激活函數(shù)的線性區(qū)內(nèi)，這會(huì)造成網(wǎng)絡(luò)性能的退化；因此BN層會(huì)通過(guò)公式(4)對(duì)標(biāo)準(zhǔn)化后的值再進(jìn)行一次擴(kuò)展和平移的修正，其中γ是擴(kuò)展參數(shù)，β是平移參數(shù)，這兩個(gè)參數(shù)為可訓(xùn)練的參數(shù)，作用是自適應(yīng)的調(diào)整標(biāo)準(zhǔn)化的強(qiáng)度；

由于輸入數(shù)據(jù)大都是非線性的，普通的線性映射并不能將其很好地劃分，因此需要使用非線性激活函數(shù)來(lái)賦予網(wǎng)絡(luò)非線性的特性；ReLU是一種非線性激活函數(shù)，表達(dá)式為：f(x)＝max(0,x)，即對(duì)于小于0的輸入抑制，對(duì)于大于0的輸入保留；這種激活函數(shù)使深層的網(wǎng)絡(luò)能夠收斂，其賦予網(wǎng)絡(luò)的稀疏性緩解過(guò)擬合，并能加快訓(xùn)練速度；

式(1)需要x與F(x,{W_i})的維度一致，若出現(xiàn)了不一致的情況，在F(·)的映射過(guò)程中改變了數(shù)據(jù)的通道數(shù)或尺寸，通過(guò)對(duì)輸入x使用1×1的卷積操作來(lái)將其轉(zhuǎn)換為與輸出相匹配的維度；這時(shí)的輸出表示為：

y＝F(x,{W_i})+W_sx (5)

在殘差塊主干支路中的兩個(gè)卷積層之間引入了Dropout層，并將保留概率設(shè)置為0.2；使用的網(wǎng)絡(luò)的主體也是由具有不同特征圖數(shù)量的該殘差模塊堆疊而成；構(gòu)建好基礎(chǔ)殘差結(jié)構(gòu)后便開(kāi)始搭建網(wǎng)絡(luò)模型；首先將輸入圖像接入一個(gè)卷積層來(lái)增加通道數(shù)并進(jìn)行濾波，將卷積層的步長(zhǎng)(stride)設(shè)置為1，填充(padding)也設(shè)置為1，即在進(jìn)行卷積操作之前先為特征圖的四周填充一圈0，從而使得卷積后特征圖尺寸不變；

網(wǎng)絡(luò)的中間部分由4個(gè)具有相似結(jié)構(gòu)的殘差卷積模塊堆疊而成，每個(gè)模塊由2個(gè)殘差結(jié)構(gòu)連接而成；在每個(gè)模塊的第一個(gè)殘差結(jié)構(gòu)中，第一個(gè)卷積層的步長(zhǎng)都被設(shè)置為2來(lái)將圖像的尺寸縮減為原來(lái)的二分之一，同時(shí)將卷積核的個(gè)數(shù)設(shè)置為原來(lái)的2倍從而使輸出的特征圖數(shù)量為原來(lái)2倍；而相應(yīng)殘差結(jié)構(gòu)的shortcut支路上也需要進(jìn)行一個(gè)步長(zhǎng)為2的1×1卷積操作來(lái)將其轉(zhuǎn)換為與輸出相匹配的尺寸和維度，此時(shí)特征圖不做填充；除了每個(gè)模塊的第一個(gè)殘差結(jié)構(gòu)的第一個(gè)卷積層外，中間部分的其他的卷積層的步長(zhǎng)和填充都被設(shè)置為1，且每個(gè)模塊中的第二個(gè)殘差結(jié)構(gòu)的shortcut支路恢復(fù)為恒等映射；每當(dāng)數(shù)據(jù)傳遞到下一個(gè)模塊的時(shí)候，特征圖的數(shù)量增大到原來(lái)的2倍的同時(shí)尺寸會(huì)縮小一半；

網(wǎng)絡(luò)中間部分的第4個(gè)模塊的后面連接了一個(gè)全局平均池化層用來(lái)綜合每個(gè)特征圖的特征；網(wǎng)絡(luò)的末尾使用了一個(gè)全連接層來(lái)進(jìn)行分類；最后使用Softmax層將輸出結(jié)果映射到[0,1]區(qū)間內(nèi)且使其總和為1，從而得到樣本屬于每一個(gè)類別的概率值；Softmax的表達(dá)式為：

其中，V_i表示向量V的第i個(gè)元素，K為V的整體維度，S_i為Vi經(jīng)過(guò)Softmax層后的輸出。