[發明專利]一種基于多判別器生成對抗網絡的SAR圖像目標識別方法

在審

• 申請號: 202010614959.X
• 申請日: 2020-06-30
• 公開（公告）號: CN111767861A
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 袁瑛;毛涵秋;馮玉堯
• 申請（專利權）人: 蘇州興釗防務研究院有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上?？剖⒅R產權代理有限公司 31225
• 代理人: 葉敏華

本發明涉及一種基于多判別器生成對抗網絡的SAR圖像目標識別方法，包括：獲取原始的真實樣本，基于多判別器生成對抗網絡模型，生成訓練樣本數據集；利用訓練樣本數據集對卷積神經網絡進行訓練，得到訓練好的目標識別模型；輸入待測SAR圖像給目標識別模型，通過特征提取以及特征匹配，輸出待測SAR圖像對應的目標識別結果。與現有技術相比，本發明提出了一種用于生成高質量高穩定性訓練樣本數據集的多判別器生成對抗網絡模型，采用多判別器聯合反饋的訓練模式，利用動態調節選擇函數融合各判別器的輸出結果完成對生成器的更新訓練，保證訓練穩定性和生成樣本質量，進而提升后續目標識別模型訓練的可靠性、提高SAR圖像目標識別的準確率。

技術領域

本發明涉及SAR圖像目標識別技術領域，尤其是涉及一種基于多判別器生成對抗網絡的SAR圖像目標識別方法。

背景技術

SAR圖像由SAR(Synthetic Aperture Radar，合成孔徑雷達)系統產生，由于SAR是一種先進的主動式微波對地觀測設備，有一定的穿透能力，能夠獲得類似光學照片的圖像、有效探測偽裝下的目標，因此，SAR圖像目標識別對國民經濟以及軍事應用領域具有十分重要的意義。

目前SAR圖像的目標識別大多基于深度學習相關技術，其對訓練數據的數量與質量均有著較高的需求，而現有的SAR目標圖像樣本數量有限且獲取困難，使得目標識別模型難以得到充分的訓練。近年來提出的生成對抗網絡(GenerativeAdversarial Networks，GAN)技術是數據擴充算法中效果較為突出的一種，將GAN技術應用于SAR圖像訓練樣本的數據擴充，能夠在一定程度上增加訓練數據的數量，然而傳統GAN模型訓練魯棒性差，導致生成訓練數據的質量不穩定，影響后續目標識別模型的訓練，也就無法保證SAR圖像目標識別的準確性。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于多判別器生成對抗網絡的SAR圖像目標識別方法，通過改進傳統GAN模型，提出一種多判別器生成對抗網絡(Multi-Discriminator-Generative Adversarial Networks，MD-GAN)，以充分提高生成訓練數據的數量及質量，從而保證后續目標是被模型的可靠訓練、保證SAR圖像目標識別的準確性。

本發明的目的可以通過以下技術方案來實現：一種基于多判別器生成對抗網絡的SAR圖像目標識別方法，包括以下步驟：

S1、獲取原始的真實樣本，基于多判別器生成對抗網絡模型，生成訓練樣本數據集；

S2、利用訓練樣本數據集對卷積神經網絡進行訓練，得到訓練好的目標識別模型；

S3、輸入待測SAR圖像給目標識別模型，通過特征提取以及特征匹配，輸出待測SAR圖像對應的目標識別結果。

進一步地，所述步驟S1中多判別器生成對抗網絡模型包括生成器、多判別器單元和審判單元，所述生成器的輸入為隨機噪聲，所述多判別器的輸入為原始的真實樣本，所述生成器的輸出端連接至多判別器單元，所述多判別器單元連接至審判單元的輸入端，所述審判單元的輸出端分別連接至生成器、多判別器單元，所述生成器根據隨機噪聲生成虛假樣本給多判別器單元；

所述多判別器單元用于判別虛假樣本以及原始的真實樣本，并輸出反饋結果；

所述審判單元用于判斷反饋結果是否準確，并根據審判結果以分別更新生成器和多判別器單元。

進一步地，所述多判別器單元包括多個并行的判別器，多個判別器的輸入均為虛假樣本和原始的真實樣本，多個判別器的輸出端均連接至動態調節模塊，所述動態調節模塊連接至審判單元，所述動態調節模塊對多個判別器輸出的判定結果進行動態選擇，以得到反饋結果。

進一步地，所述步驟S1具體包括以下步驟：

S11、獲取原始的真實樣本，并輸入給多個判別器；