[發明專利]基于改進原型網絡的小樣本SAR圖像目標識別方法

在審

• 申請號: 202110332409.3
• 申請日: 2021-03-29
• 公開（公告）號: CN112990334A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 周峰;郭欣儀;王力;田甜;白雪茹;石曉然
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安睿通知識產權代理事務所(特殊普通合伙) 61218
• 代理人: 惠文軒

1.基于改進原型網絡的小樣本SAR圖像目標識別方法，其特征在于，包括以下步驟：

步驟1，獲取訓練樣本集和待識別小樣本SAR圖像集；從訓練樣本集中按類別選取C×m幅SAR圖像作為訓練支撐集，剩余的幅SAR圖像組成訓練查詢集；同樣，將待識別小樣本SAR圖像集劃分為帶標簽的支撐集和待識別的查詢集；

其中，待識別小樣本SAR圖像集中的目標類別與訓練樣本集中的目標類別不同；C為待訓練的目標總類別數，m為訓練支撐集中每個目標類別的SAR圖像數目，為訓練樣本集中第k類目標對應的SAR圖像總數量；

步驟2，構建深度卷積-雙向長短時原型神經網絡，即改進原型網絡；

步驟3，采用訓練支撐集和訓練查詢集對所述深度卷積-雙向長短時原型神經網絡進行訓練，得到訓練好的深度卷積-雙向長短時原型神經網絡；

步驟4，對帶標簽的支撐集和待識別的查詢集中的每個樣本進行變換合成處理，得到帶標簽的支撐集和待識別的查詢集中每個樣本對應的圖像序列，將所有圖像序列順序輸入訓練好的深度卷積-雙向長短時原型神經網絡，得到待識別的查詢集內的目標類別。

2.根據權利要求1所述的基于改進原型網絡的小樣本SAR圖像目標識別方法，其特征在于，所述深度卷積-雙向長短時原型神經網絡包括依次連接的深度卷積-雙向長短時神經網絡、原型模塊和基于歐幾里得距離的分類器；所述深度卷積-雙向長短時神經網絡包含深度卷積神經網絡和雙向長短時神經網絡；所述深度卷積神經網絡包含依次連接的多個卷積模塊和全連接層；每個卷積模塊包含依次連接的卷積層、ReLU激活層和批規范化層，且兩個卷積模塊之后設置一個最大池化層。

3.根據權利要求1所述的基于改進原型網絡的小樣本SAR圖像目標識別方法，其特征在于，所述深度卷積-雙向長短時原型神經網絡包括依次連接的深度卷積-雙向長短時神經網絡、原型模塊和基于歐幾里得距離的分類器；所述深度卷積-雙向長短時神經網絡包含深度卷積神經網絡和雙向長短時神經網絡；所述深度卷積神經網絡包含依次連接的多個卷積模塊和全連接層；每個卷積模塊包含依次連接的卷積層、ReLU激活層、批規范化層和最大池化層。

4.根據權利要求2或3所述的基于改進原型網絡的小樣本SAR圖像目標識別方法，其特征在于，所述采用訓練支撐集和訓練查詢集對所述深度卷積-雙向長短時原型神經網絡進行訓練，具體步驟為：

3a)設置最大迭代次數為T，T≥1000，初始化迭代次數t＝0；

3b)將訓練支撐集和訓練查詢集中的每個訓練樣本分別進行變換合成處理，得到每個訓練樣本對應的圖像序列；

3c)將每個訓練樣本對應的圖像序列作為所述深度卷積-雙向長短時原型神經網絡的輸入，輸出對應的預測類別；

3d)根據預測類別與對應標簽，計算當前迭代次數的交叉熵損失函數，并通過隨機梯度下降算法，對所述深度卷積-雙向長短時原型神經網絡的網絡參數進行更新，得到更新后的神經網絡；

3e)判斷t＝T是否成立，若是，則步驟3d)更新后的神經網絡即為訓練好的深度卷積-雙向長短時原型神經網絡，否則，令t＝t+1，返回執行步驟3c)。

5.根據權利要求1或3所述的基于改進原型網絡的小樣本SAR圖像目標識別方法，其特征在于，所述變換合成處理，具體為：將每幅SAR圖像分別旋轉90°、180°和270°，得到三幅旋轉圖像，將未旋轉的SAR圖像、90°對應的旋轉圖像、180°對應的旋轉圖像和270°對應的旋轉圖像按順序排列形成一組圖像序列。