[發(fā)明專利]基于混合損失與圖注意力的小樣本SAR目標分類方法

有效

• 申請?zhí)枺?/td>: 202110408623.2
• 申請日: 2021-04-16
• 公開（公告）號: CN113095416B
• 公開（公告）日: 2023-08-18
• 發(fā)明（設計）人: 白雪茹;楊敏佳;孟昭晗;周峰
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/08;G06N3/045;G06N3/042
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 陳宏社;王品華

1.一種基于混合損失與圖注意力的小樣本SAR目標分類方法，其特征在于，包括如下步驟：

(1)獲取訓練樣本集和測試樣本集

(1a)獲取包含C個不同目標類別的多幅合成孔徑雷達SAR圖像，每個目標類別對應M幅大小為h×h的SAR圖像，每幅SAR圖像包含1個目標，其中C≥10，M≥200，h＝128；

(1b)對每幅SAR圖像中的目標類別進行標記，并將隨機選取的包含C_train個目標類別的總共C_train×M幅SAR圖像及每幅SAR圖像的標簽作為訓練樣本集將其余C_test個目標類別的總共C_test×M幅SAR圖像及每幅SAR圖像的標簽作為測試樣本集其中C_train+C_test＝C，3≤C_test≤5；

(2)構建基于混合損失與圖注意力的網(wǎng)絡模型H：

構建包含順次級聯(lián)的數(shù)據(jù)增強模塊D、嵌入網(wǎng)絡模塊E、節(jié)點特征初始化模塊I和圖注意力網(wǎng)絡模塊G的基于混合損失與圖注意力的網(wǎng)絡模型H，其中，嵌入網(wǎng)絡模塊E包括順次級聯(lián)的多個第一卷積模塊E_C和一個第二卷積模塊E_L，每個第一卷積模塊E_C包括依次層疊的第一卷積層、第一批歸一化層、Mish激活層和最大池化層，第二卷積模塊E_L包括依次層疊的第二卷積層和第二批歸一化層；圖注意力網(wǎng)絡模塊G包括順次級聯(lián)的多個圖更新層U，每個圖更新層U包括依次層疊的邊特征構建模塊U_E、注意力權重計算模塊U_W和節(jié)點特征更新模塊U_N，每個邊特征構建模塊U_E包括多個依次層疊的第一全連接層，每個節(jié)點特征更新模塊U_N包括一個第二全連接層；

(3)對基于混合損失與圖注意力的網(wǎng)絡模型H進行迭代訓練：

(3a)初始化迭代次數(shù)為n，最大迭代次數(shù)為N，N≥1000，并令n＝0；

(3b)從訓練樣本集隨機選取包含C_test個目標類別總共C_test×M幅SAR圖像，并對每幅SAR圖像的標簽進行one-hot編碼，得到每幅SAR圖像的C_test維標簽向量，然后將從C_test×M幅SAR圖像中隨機選取每個目標類別包含的K幅SAR圖像及對應的標簽向量作為訓練支撐樣本集將剩余的C_test(M-K)幅SAR圖像及對應的標簽向量作為訓練查詢樣本集其中，one-hot編碼后每幅SAR圖像的標簽向量中第c維的元素表示該SAR圖像中的目標屬于C_test個目標類別中第c個目標類別的概率，表示由SAR圖像及其對應的標簽向量組成的第a個訓練支撐樣本，表示由SAR圖像及其對應的標簽向量組成的第b個訓練查詢樣本，1≤K≤10；

(3c)將訓練支撐樣本集與每個訓練查詢樣本組合成訓練任務得到訓練任務集并將作為基于混合損失與圖注意力的網(wǎng)絡模型H的輸入進行前向傳播：

(3c1)數(shù)據(jù)增強模塊D對訓練任務集中的每幅SAR圖像進行數(shù)據(jù)增強：對每幅SAR圖像進行冪次變換，并對冪次變換后的SAR圖像添加噪聲，再對添加噪聲后的SAR圖像進行翻轉變換，然后對翻轉變換后的SAR圖像進行旋轉變換，得到增強訓練任務集

其中，表示訓練任務對應的增強訓練任務，表示訓練任務中的訓練支撐樣本對應的增強訓練支撐樣本，表示訓練查詢樣本對應的增強訓練查詢樣本；

(3c2)嵌入網(wǎng)絡模塊E對增強訓練任務集中的每個增強訓練任務包含的每幅SAR圖像進行映射，得到訓練嵌入向量組集合并采用嵌入損失函數(shù)L_E，通過訓練嵌入向量組集合計算訓練任務集的嵌入損失值l_E：

其中，表示增強訓練任務對應的訓練嵌入向量組，滿足a≠C_testK+1的表示增強訓練支撐樣本對應的訓練嵌入向量，表示增強訓練查詢樣本對應的訓練嵌入向量，log(·)表示以自然常數(shù)e為底的對數(shù)，exp(·)表示以自然常數(shù)e為底的指數(shù)，∑表示連續(xù)求和，表示對訓練任務中的訓練支撐樣本集包括的第c個目標類別的每幅SAR圖像對應的每個訓練嵌入向量求均值得到的第c個目標類別的類中心，表示和訓練任務中的訓練查詢樣本包含的SAR圖像中的目標屬于同一個目標類別的類中心，d表示度量函數(shù)，d(p,q)＝||p-q||²；

(3c3)節(jié)點特征初始化模塊I構造一個虛擬標簽向量并對每個訓練嵌入向量組中滿足a≠C_testK+1的每個訓練嵌入向量與對應的SAR圖像的標簽向量進行拼接，同時對每個訓練嵌入向量組中的訓練嵌入向量與虛擬標簽向量進行拼接，得到訓練節(jié)點1層特征組集合

其中，表示C_test維每個維度的元素值全為1的向量，表示訓練嵌入向量組對應的訓練節(jié)點1層特征組，表示訓練嵌入向量對應的訓練節(jié)點1層特征；

(3c4)圖注意力網(wǎng)絡模塊G通過輸入訓練節(jié)點1層特征組集合對包括的每個訓練節(jié)點1層特征組中的訓練節(jié)點1層特征對應的訓練查詢樣本包括的SAR圖像中的目標進行類別預測，得到訓練預測結果向量集合其中,表示訓練節(jié)點1層特征對應的維數(shù)為C_test的訓練預測結果向量，第c維的元素表示訓練節(jié)點1層特征對應的訓練查詢樣本包括的SAR圖像中的目標屬于第c個目標類別的預測概率；

(3c5)采用分類損失函數(shù)L_C，通過訓練預測結果向量集合和訓練查詢樣本集中的所有的標簽向量計算訓練任務集的分類損失值l_C：

其中，為訓練預測結果向量中第c維元素的值，y_b,c為訓練預測結果向量對應的SAR圖像的標簽向量中第c維元素的值；

(3d)對訓練任務集的分類損失值l_C和訓練任務集的嵌入損失值l_E求加權和，得到訓練任務集的混合損失值l，l＝λl_C+(1-λ)l_E，然后利用隨機梯度下降算法，通過混合損失值l對嵌入網(wǎng)絡模塊E中所有第一卷積層和第二卷積層的參數(shù)、圖注意力網(wǎng)絡模塊G中所有第一全連接層和第二全連接層的參數(shù)進行更新，其中，λ為權重，0.7≤λ＜1；

(3e)判斷n≥N是否成立，若是，得到訓練好的基于混合損失與圖注意力的網(wǎng)絡模型H′，否則，令n＝n+1，并執(zhí)行步驟(3b)；

(4)獲取小樣本SAR圖像的目標分類結果：

(4a)對測試樣本集包含的每幅SAR圖像的標簽進行one-hot編碼，得到每幅SAR圖像的C_test維標簽向量，然后從測試樣本集的C_test×M幅SAR圖像中隨機選取每個目標類別包含的K幅SAR圖像及對應的標簽向量作為測試支撐樣本集將剩余的C_test(M-K)幅SAR圖像及對應的標簽向量作為測試查詢樣本集其中，表示由SAR圖像及其對應的標簽向量組成的第e個測試支撐樣本，表示由SAR圖像及其對應的標簽向量組成的第g個測試查詢樣本；

(4b)將測試支撐樣本集與每個測試查詢樣本組合成測試任務得到測試任務集并將作為訓練好的基于混合損失與圖注意力的網(wǎng)絡模型H′的輸入進行前向傳播：

(4b1)訓練好的嵌入網(wǎng)絡模塊E′對測試任務集中的每個測試任務包含的每幅SAR圖像進行映射，得到測試嵌入向量組集合

其中，表示測試任務對應的測試嵌入向量組，滿足e≠C_testK+1的表示測試支撐樣本對應的測試嵌入向量，表示測試查詢樣本對應的測試嵌入向量；

(4b2)節(jié)點特征初始化模塊I構造一個虛擬標簽向量并對每個測試嵌入向量組中滿足e≠C_testK+1的每個測試嵌入向量與對應的SAR圖像的標簽向量進行拼接，同時對每個測試嵌入向量組中的測試嵌入向量與虛擬標簽向量進行拼接，得到測試節(jié)點1層特征組集合

其中，表示測試嵌入向量組對應的測試點1層特征組，表測試嵌入向量對應的測試節(jié)點1層特征；

(4b3)訓練好的圖注意力網(wǎng)絡模塊G′通過輸入測試節(jié)點1層特征組集合對包括的每個測試節(jié)點1層特征組中的測試節(jié)點1層特征對應的測試查詢樣本包括的SAR圖像中的目標進行類別預測，得到測試預測結果向量集合每個測試預測結果向量中最大值對應的維數(shù)號即為對應的測試查詢樣本包括的SAR圖像中目標的預測類別，其中,表示測試節(jié)點1層特征對應的維數(shù)為C_test的測試預測結果向量，第c維的元素值表示測試節(jié)點1層特征對應的測試查詢樣本包括的SAR圖像中的目標屬于第c個目標類別的概率。