[發明專利]有限樣本下屬性引導的SAR圖像生成方法

有效

• 申請號: 202110085648.3
• 申請日: 2021-01-22
• 公開（公告）號: CN112766381B
• 公開（公告）日: 2023-01-24
• 發明（設計）人: 王英華;黃媛媛;劉宏偉;孫媛爽;王思源
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V10/94
• 分類號: G06V10/94;G06V10/764;G06N3/047;G06N3/0475;G06N3/048;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種有限樣本下屬性引導的SAR圖像生成方法，其特征在于，構建一個由屬性引導的生成對抗網絡，在訓練集中目標域數據集的樣本數量有限的情況下訓練屬性引導的生成對抗網絡，該方法的具體步驟如下：

(1)構建訓練集：

(1a)提取包含M個類別的帶有目標方位角度信息的SAR圖像組成目標域數據集，每個類別的SAR圖像數量均為K；提取包含N個類別的帶有目標方位角度信息的SAR圖像組成源域數據集，將目標域數據集和源域數據集組成SAR數據集，其中，源域數據集每個類別的SAR圖像數量均大于等于200；N≥3，1≤M≤3，K≤30；

(1b)對SAR數據集中每個類別目標的SAR圖像設置類別標簽；

(1c)將SAR數據集中每幅SAR圖像的大小裁剪為64×64，對裁剪后的每幅SAR圖像進行L2歸一化處理，得到歸一化后的SAR數據集；

(1d)將歸一化后的SAR數據集中每幅SAR圖像的像素值范圍轉化成0到255之間后得到訓練集；

(2)構建生成器網絡：

(2a)搭建一個21層的生成器網絡，其結構依次為：第1疊加層，全連接層，第1激活函數層，reshape層，第2疊加層，第1反卷積層，歸一化層，第2激活函數層，第3疊加層，第2反卷積層，歸一化層，第3激活函數層，第4疊加層，第3反卷積層，歸一化層，第4激活函數層，第5疊加層，第4反卷積層，歸一化層，第5激活函數層，輸出層；

所述歸一化層采用Batch Normalization函數實現；所述第1至第4激活函數層均采用ReLU函數實現，第5激活函數層采用Tanh函數實現；

(2b)設置生成器網絡的每層參數：將第1至第4反卷積層的卷積核大小均設置為5×5，卷積核的個數分別設置為128、64、32、16，卷積步長均設置為2；

將全連接層的神經元個數設置為2048；

(3)構建判別器網絡：

(3a)搭建一個16層的判別器網絡，其結構依次為：第1疊加層，第1卷積層，激活函數層，第2疊加層，第2卷積層，歸一化層，激活函數層，第3疊加層，第3卷積層，歸一化層，激活函數層，第4疊加層，第4卷積層，歸一化層，激活函數層，并聯的三個全連接層；所述激活函數層均采用Leaky ReLU函數實現；

(3b)設置判別器網絡的每層參數：將第1至第4卷積層的卷積核大小均設置為5×5，卷積核的個數分別設置為16、32、64、128，卷積步長均設置為2；將每個激活函數層的LeakyReLU函數的斜率均設置為0.2；將三個并聯的全連接層的神經元個數分別設置為1、1、C，其中C的取值與目標類別總數(M+N)相等；

(4)將生成器網絡和判別器網絡級聯成屬性引導的生成對抗網絡；

(5)訓練屬性引導的生成對抗網絡：

(5a)從訓練集的全部類別中隨機選取的n個類別，n≤3，每個類別選取m幅SAR圖像組成訓練集的支撐集，20≤m≤23；

(5b)將支撐集中所有的SAR圖像、支撐集中每張SAR圖像對應的類別標簽、支撐集中每張SAR圖像對應的方位角度信息同時輸入到判別器網絡中，判別器網絡對輸入的每張SAR圖像評估后輸出預測為真實圖像的概率值、類別預測概率值和方位角度預測值，并利用判別器網絡的損失函數計算判別器網絡的損失值；

(5c)使用梯度下降法，計算每個卷積層的每個卷積核的梯度、全連接層的梯度，使用學習率為0.00005的Adam優化器更新判別器網絡每個卷積層的每個卷積核的權重、全連接層的權重；

(5d)生成B個滿足正態分布的1×100維的隨機向量，B＝n×m；

(5e)將隨機向量、支撐集中所有SAR圖像對應的類別標簽、支撐集中所有SAR圖像對應的方位角度信息分別輸入到生成器網絡中，輸出F幅SAR生成圖像，F＝n×m；

(5f)將F幅SAR生成圖像、支撐集中每個SAR圖像對應的類別標簽、支撐集中每個SAR圖像對應的方位角度信息分別輸入到判別器網絡中，判別器網絡對輸入的SAR生成圖像評估后分別輸出預測為真實圖像的概率值、類別預測概率值和方位角度預測值，并利用生成器網絡的損失函數計算生成器網絡的損失值；

(5g)利用生成器網絡的損失值和梯度下降法，計算生成器網絡每個反卷積層的每個卷積核的梯度，使用學習率為0.00005的Adam優化器更新生成器網絡每個反卷積層的每個卷積核的權重；

(5h)判斷判別器網絡的損失函數和生成器網絡的損失函數是否均收斂，若是，則得到訓練好的屬性引導的生成對抗網絡，否則，執行步驟(5a)；

(6)生成SAR圖像：

生成H個滿足正態分布的1×100維的隨機向量，將隨機向量、P個類別標簽、Q個方位角度信息輸入到訓練好的屬性引導的生成對抗網絡，輸出與類別標簽和方位角度信息對應的SAR生成圖像，其中，H、P、Q的取值與待生成的SAR圖像的數量相等。