[發明專利]一種基于深度雙相似性度量網絡的小樣本SAR目標識別方法

在審

• 申請號: 202211198200.3
• 申請日: 2022-09-29
• 公開（公告）號: CN115496987A
• 公開（公告）日: 2022-12-20
• 發明（設計）人: 于雪蓮;劉森;任浩浩;余思慧;李月;周云;鄒林
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/74;G06V10/764;G06V10/77;G06N3/04;G06N3/08
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 陳一鑫

1.一種基于深度雙相似性度量網絡的小樣本SAR目標識別方法，該方法步驟如下：

步驟1：采集SAR目標圖像數據集，并完成數據劃分、預處理、建立整體網絡；

步驟1.1：從樣本集中隨機采樣多組數據，并將采樣得到的每組數據劃分為支持集和查詢集，支持集中的樣本均帶類標簽，而查詢集中樣本不賦予其標簽；

步驟1.2：考慮到原始SAR圖像中目標只占據較少的像素空間，因此將每幅SAR圖像裁剪為64×64像素大小的目標切片，以減輕網絡訓練負擔；

步驟1.3：建立整體網絡模型的結構，包括：基于膠囊運算的特征嵌入網絡和雙相似性度量分類器；

步驟2：將目標切片輸入到特征嵌入網絡得到高維SAR圖像的低維度鑒別特征；

步驟2.1：建立基于膠囊運算的特征嵌入網絡，依次包括：卷積核為5×5的卷積層、初級膠囊層、第二級膠囊層；

步驟2.2：將目標切片通過卷積核為5×5的卷積層進行初步的特征學習，得到60×60大小的SAR目標樣本特征圖，該特征圖為標量特征；

步驟2.3：將步驟2.2得到的標量特征作為初級膠囊層的輸入，將標量特征轉換為矢量膠囊特征A，采用如下公式對特征A進行非線性轉換：

其中，A_i表示第i個特征，u_i為其對應的非線性輸出；

步驟2.4：將從初級膠囊層得到的特征u_i通過第二級膠囊層學習特征間的空間關系，對應的數學公式如下：

u_j|i＝W_iju_i

其中，u_j|i為u_i對應的預測向量，W_ij為相應的權值矩陣；

其中，c_ij為耦合系數，通過動態路由算法得到的，s_j為低維度鑒別特征樣本；

步驟3：將步驟2得到的低維度鑒別特征輸入到雙相似性度量分類器中，完成查詢集中樣本類標簽判定；

步驟3.1：計算由查詢集得到的低維度鑒別特征樣本x與支持集中每類目標類原型的歐式距離，其公式如下：

d_eu(φ(x),c_i)＝||φ(x)-c_i||²

其中，φ(·)為特征嵌入網絡的映射函數，c_i為第i類目標的類原型向量；

利用Softmax函數對計算得到的歐氏距離進行歸一化，通過下式計算x屬于第i類目標的概率：

其中，c_k表示第k類目標的類原型向量；

步驟3.2：將樣本置于球形空間內，計算x與支持集中每類目標類原型的余弦距離，其公式如下：

利用Softmax函數對計算得到的歐氏距離進行歸一化，通過下式計算x屬于第i類的概率，公式如下：

步驟3.3：雙相似性度量分類器將其兩個分支計算得出的概率p_e,i(y＝i|x)和p_c,i(y＝i|x)進行如下的加權求和，以此推理目標樣本x屬于第i類的概率p_i(y＝i|x)：

p_i(y＝i|x)＝λp_e,i(y＝i|x)+(1-λ)p_c,i(y＝i|x)

其中，λ是用于調整兩個相似性度量分支的概率預測比例的超參數；

步驟4：設計混合損失函數來聯合訓練整體網絡模型；

步驟4.1：基于膠囊運算的特征嵌入網絡的損失函數為：

其中，S和Q分別代表支持集和查詢集的樣本數量，d_s,q表示SAR圖像樣本s與SAR圖像樣本q之間的歐氏距離；當s與q屬于同一類別時，y＝1；當s與q屬于不同類別時，y＝0，margin是一個用于約束不同類別樣本之間距離的超參數；

步驟4.2：雙相似性度量分類器的分類損失為：

其中，I表示SAR目標的類別數量，y_x,i取值為0或1；當樣本x屬于類別i時，y_x,i＝1；當樣本x不屬于類別i時，y_x,i＝0；p(y＝i|x)表示分類器給出的樣本x屬于類別i的預測概率；

步驟4.3：整體網絡模型混合損失函數的定義如下；

L＝L_ce+αL_e

其中，α是平衡兩種損失函數重要性的超參數；

步驟5：采用訓練好的整體網絡來進行目標識別。