[發明專利]一種基于生成對抗網絡的SAR時敏目標樣本增廣方法

有效

• 申請號: 202010188535.1
• 申請日: 2020-03-17
• 公開（公告）號: CN111368935B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 叢龍劍;靳松直;周斌;張輝;郝夢茜;劉嚴羊碩
• 申請（專利權）人: 北京航天自動控制研究所
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06N3/0475;G06N3/094;G06N3/084;G06N3/088
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 張曉飛

本發明一種基于生成對抗網絡的SAR時敏目標樣本增廣方法，步驟如下：1)構建區域卷積生成對抗網絡，實現兩模型的前向與反向傳播功能；2)制作區域卷積生成對抗網絡訓練數據集，從目標檢測訓練數據集中提取切片；3)對區域卷積生成對抗網絡進行訓練，利用對抗網絡訓練數據集對區域卷積生成對抗網絡進行迭代訓練，直到區域卷積生成對抗網絡中的生成模型獲得穩定且符合期望的輸出結果，并保存生成模型與判別模型的權重；4)調整參數批量生成樣本，對完成訓練的區域卷積生成對抗網絡中生成模型裝訂所保存的參數，根據實際使用需求設置參數輸入至生成模型，生成符合期望框體的樣本；5)制作用于目標檢測識別算法訓練的數據集。

技術領域

本發明涉及一種基于生成對抗網絡的SAR時敏目標樣本增廣方法，適用于基于卷積神經網絡的針對各類SAR時敏的目標檢測識別網絡和深度學習框架，通過少量的訓練數據使用生成對抗網絡進行樣本增廣，使之可以達到用于訓練卷積神經網絡的數據體量，用于提升算法能力。

背景技術

由于卷積神經網絡訓練中需要對大量參數進行調優，因此對訓練數據的數量有極高的需求。而在軍事應用領域，由于感興趣目標的非合作性導致樣本數據難以獲取，因此對訓練數據進行數據增廣成為應用深度學習技術的主要手段之一，該方法主要是對圖像進行變換操作，如平移或旋轉、鏡像等，來增加訓練數據的數量。

此類方法操作簡單，僅需要對原始圖像數據進行平移、旋轉等基礎變換操作，即可對數據量實現極大的增加。但此類方法僅適用于分類網絡，該類型網絡輸入為僅包含待分類目標的圖像切片，而目標檢測識別網絡所需要的輸入為包含較多目標的高分辨率圖像，平移操作將影響框體預測的準確性，僅旋轉操作對目標檢測識別網絡適用。

另一種數據增廣的方法則是利用了已有的目標檢測的訓練樣本標注信息，將目標從訓練數據中截取，并通過旋轉等變換后，粘貼在各種原始數據集中，實現了目標的數量的增廣。但此種方法并沒有增加目標樣本與背景的數量，僅增加了樣本出現的次數、豐富了樣本的位置。對目標檢測識別任務而言，這種方法僅能提升算法的目標定位能力，而對少量目標的多次訓練，很可能造成對目標的過擬合，降低對其它目標的檢測識別能力。

發明內容

本發明解決的技術問題是：克服現有技術的不足，提供了一種基于生成對抗網絡的SAR時敏目標樣本增廣方法，通過對少量的標注數據，以及大量的無目標背景圖片，通過生成對抗網絡算法的半監督訓練，可以生成大量的訓練樣本。

本發明的技術方案是：一種基于生成對抗網絡的SAR時敏目標樣本增廣方法，步驟如下：

1)構建區域卷積生成對抗網絡，網絡包含生成模型和判別模型兩部分，分別實現兩模型的前向與反向傳播功能；

2)制作區域卷積生成對抗網絡訓練數據集，從目標檢測訓練數據集中提取切片，其中有包含目標的切片以及未包含目標的切片；所述包含目標的切片需標記目標所在區域的相對位置，并進行數據增廣；

3)對區域卷積生成對抗網絡進行訓練，利用步驟2)中的對抗網絡訓練數據集對步驟1)所構建的區域卷積生成對抗網絡進行迭代訓練，直到區域卷積生成對抗網絡中的生成模型獲得穩定且符合期望的輸出結果，并保存生成模型與判別模型的權重；

4)調整參數批量生成樣本，對步驟3)中完成訓練的區域卷積生成對抗網絡中生成模型裝訂所保存的參數，根據實際使用需求設置參數輸入至生成模型，生成符合期望框體的樣本；

5)制作用于目標檢測識別算法訓練的數據集。

所述的步驟1)構建區域卷積生成對抗網絡的方法為：

111)構建生成模型，輸入為一個100維向量和一個目標框體信息四維向量；

112)構建判別模型，輸入為真實圖像或生成器所生成的尺寸為64×64的單或多通道圖像，真實圖像由包含目標以及不包含目標兩部分組成，包含目標的圖像需提供目標框體的四維向量用于訓練，其框體中心為圖像中心；