[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)識別方法

有效

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

本發(fā)明公開了面向小樣本殘差學(xué)習(xí)的合成孔徑雷達(dá)目標(biāo)識別方法，針對SAR圖像目標(biāo)識別任務(wù)中人工的高成本以及樣本數(shù)據(jù)有限的問題，該方法使用了18層的殘差網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)路結(jié)構(gòu)，將深度殘差學(xué)習(xí)應(yīng)用到SAR小樣本目標(biāo)識別中，并將Dropout引入了每個殘差塊的結(jié)構(gòu)中。使用了Softmax Loss和Center Loss這兩種損失函數(shù)組合所構(gòu)成的目標(biāo)函數(shù)來進(jìn)行監(jiān)督。本發(fā)明主要的實施對象是機載聚束式合成孔徑雷達(dá)所采集的圖像，主要工作是對其進(jìn)行目標(biāo)識別。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于殘差網(wǎng)絡(luò)的小樣本學(xué)習(xí)的合成孔徑雷達(dá)目標(biāo)識別方法，屬于合成孔徑雷達(dá)自動目標(biāo)識別技術(shù)領(lǐng)域。

背景技術(shù)

合成孔徑雷達(dá)(SyntheticAperture Radar，SAR)是一種基于主動式微波傳感的高分辨率成像雷達(dá)，是遙感領(lǐng)域的重要組成部分。相比于被動成像的光學(xué)遙感，合成孔徑雷達(dá)不受云、雪、雨、霧等不利天氣條件和晝夜時間的限制，并且可以一定程度上穿透植被和偽造遮擋，這些優(yōu)秀的特性使得其被越來越廣泛的應(yīng)用于環(huán)境地形調(diào)查、軍事偵察、海洋監(jiān)測、農(nóng)業(yè)檢測、林業(yè)監(jiān)測、大氣監(jiān)測、地質(zhì)勘探等領(lǐng)域。

由于成像機理的不同，SAR圖像與人眼易于理解的光學(xué)圖像有著很大的差別，且SAR圖像中包含了許多乘性噪聲，這些都對圖像目標(biāo)判讀解譯工作造成了很大干擾。SAR圖像目標(biāo)判讀解譯的方法主要分為兩種，人工目視判讀解譯與計算機模式識別。目前，人工目視判讀解譯仍然是最主要的方法。然而人工方式需要耗費極高的成本且工作效率難以進(jìn)一步提升，因此不斷探索更好、更有效的SAR圖像目標(biāo)自動識別的方法是很重要的。

隨著科學(xué)技術(shù)水平的不斷進(jìn)步，深度學(xué)習(xí)成為了近幾年來一個非常熱門的領(lǐng)域。為了拓展SAR-ATR領(lǐng)域的研究，人們開始聚焦于使用深度學(xué)習(xí)的方法來解決SAR目標(biāo)識別的問題。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)作為深度學(xué)習(xí)的一個重要分支，因其優(yōu)越的特征提取能力被廣泛的應(yīng)用在圖像視頻等領(lǐng)域中。本發(fā)明將深度殘差學(xué)習(xí)應(yīng)用到SAR小樣本目標(biāo)識別中，在以有的基礎(chǔ)上就如何在有限樣本的條件下進(jìn)一步提升模型在SAR-ATR任務(wù)中的效果進(jìn)行了探索，并提出了改進(jìn)的方法。

發(fā)明內(nèi)容

本發(fā)明的主要目的是針對SAR圖像目標(biāo)識別任務(wù)中人工的高成本以及樣本數(shù)據(jù)有限的問題，提供了一種基于殘差網(wǎng)絡(luò)的小樣本學(xué)習(xí)的合成孔徑雷達(dá)目標(biāo)識別方法。該方法使用了18層的殘差網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)路結(jié)構(gòu)，并將Dropout引入了每個殘差塊的結(jié)構(gòu)中。使用了Softmax Loss和Center Loss這兩種損失函數(shù)組合所構(gòu)成的目標(biāo)函數(shù)來進(jìn)行監(jiān)督。本發(fā)明主要的實施對象是機載聚束式合成孔徑雷達(dá)所采集的圖像，主要工作是對其進(jìn)行目標(biāo)識別。

基于殘差網(wǎng)絡(luò)的小樣本學(xué)習(xí)的合成孔徑雷達(dá)目標(biāo)識別方法，包括以下步驟：

一種基于殘差網(wǎng)絡(luò)的小樣本學(xué)習(xí)的合成孔徑雷達(dá)目標(biāo)識別方法，該方法的步驟包括：

步驟(1)劃分好SAR圖像的訓(xùn)練集和測試集并進(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)來對網(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對經(jīng)過網(wǎng)絡(luò)最后的Softmax層的輸出進(jìn)行約束。將兩個損失函數(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)。

在所述步驟(1)中，對于訓(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。對于測試集的圖像只裁剪出H2×W2的中心目標(biāo)區(qū)域，剪裁過程如圖1所示。之后使數(shù)據(jù)集圖像中的每個像素點的像素值都除以255，從而將圖像的像素值壓縮到0-1之間。