[發明專利]基于混合推理網絡的小樣本SAR自動目標識別方法

有效

• 申請號: 202110546401.7
• 申請日: 2021-05-19
• 公開（公告）號: CN113420593B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 周峰;張倩蓉;王力;田甜;白雪茹;王常龍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06K9/62;G06V10/774;G06V10/764
• 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

本發明屬于雷達圖像處理技術領域，尤其涉及一種基于混合推理網絡的小樣本SAR自動目標識別方法，可用于小樣本條件下的SAR自動目標識別；包括步驟：獲取訓練樣本集和待識別小樣本SAR圖像集；構建混合推理網絡；采用訓練支撐集和訓練查詢集對所述混合推理網絡進行訓練；獲取小樣本SAR圖像的目標識別結果。本發明解決了傳統方法需要大量訓練樣本的問題，為訓練樣本不足條件下的SAR目標識別提供了新的方法。

技術領域

本發明屬于雷達圖像處理技術領域，涉及一種SAR自動目標識別方法，特別涉及基于混合推理網絡的小樣本SAR自動目標識別方法，用于小樣本條件下的SAR目標識別。

背景技術

合成孔徑雷達(SAR)以其全天候、高分辨率、遠距離作戰能力，在戰場偵察、地形圖、地質勘探、海洋觀測等領域得到了廣泛應用。自動目標識別(ATR)是基于計算機系統，從傳感器獲取數據，提取特征并自動得到目標類別的算法。基于SAR的自動目標識別也受到各領域廣泛關注。

目前主流的SAR目標識別方法有三種，即模板匹配、目標建模和機器學習。這些方法都需要預先設計一個專用的模板、目標模型或分類器，嚴重依賴手動設計的特征，具有高復雜性和較差的泛化能力。

隨著深度學習的發展，由于其強大的自動特征提取和表示能力，在SAR目標識別中獲得廣泛關注，具有很高的實現效率。但是基于深度學習模型的SAR目標識別算法為了保證有效的特征提取和目標識別，通常需要大量的訓練樣本，若某些類中的訓練樣本較少，識別性能會顯著下降。然而，在實際情況下，SAR的圖像獲取較為困難，而且成本較高。在軍事偵察等情況下，甚至只能獲取一些目標的少量SAR圖像，從而導致現有的SAR目標識別算法失效。因此，研究如何在只有少量SAR圖像的情況下有效地提取特征和識別目標在雷達圖像處理技術領域具有重要意義。

發明內容

針對現有技術存在的問題，本發明的目的在于提供一種基于混合推理網絡的小樣本SAR自動目標識別方法，提高了識別性能，解決了傳統方法需要大量訓練樣本的問題，為訓練樣本不足條件下的SAR目標識別提供了新的方法。

為了達到上述目的，本發明采用以下技術方案予以實現。

(一)基于混合推理網絡的小樣本SAR自動目標識別方法，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C(H-m)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，H為訓練樣本集中每類目標對應的SAR圖像總數量；每次訓練需要從訓練樣本集中重新進行隨機樣本選擇，并將選擇的樣本劃分為訓練支撐集和訓練查詢集；

步驟2，構建混合推理網絡，所述混合推理網絡包含依次連接的嵌入網絡和基于混合推理的分類器；

步驟3，采用訓練支撐集和訓練查詢集對所述混合推理網絡進行訓練，得到訓練好的混合推理網絡；

步驟4，將帶標簽的支撐集和待識別的查詢集中的每幅SAR圖像輸入訓練好的混合推理網絡，得到待識別的查詢集內的目標類別。

(二)一種混合推理網絡，包括依次連接的嵌入網絡和基于混合推理的分類器；所述嵌入網絡由多個卷積模塊組成，每個卷積模塊包含卷積層、ReLU激活層、批規范化層和最大池化層；

所述基于混合推理的分類器包含基于歐幾里得距離分類器的歸納推理和基于標簽傳播的轉導推理，所述基于歐幾里得距離分類器的歸納推理包含原型模塊，所述基于標簽傳播的轉導推理包含圖構造網絡。

進一步地，所述圖構造網絡包含依次連接的多個卷積模塊、平鋪拉伸層和兩個全連接層。