[發(fā)明專(zhuān)利]一種基于深度雙相似性度量網(wǎng)絡(luò)的小樣本SAR目標(biāo)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211198200.3
• 申請(qǐng)日: 2022-09-29
• 公開(kāi)（公告）號(hào): CN115496987A
• 公開(kāi)（公告）日: 2022-12-20
• 發(fā)明（設(shè)計(jì)）人: 于雪蓮;劉森;任浩浩;余思慧;李月;周云;鄒林
• 申請(qǐng)（專(zhuān)利權(quán)）人: 電子科技大學(xué)
• 主分類(lèi)號(hào): G06V10/82
• 分類(lèi)號(hào): G06V10/82;G06V10/74;G06V10/764;G06V10/77;G06N3/04;G06N3/08
• 代理公司: 電子科技大學(xué)專(zhuān)利中心 51203
• 代理人: 陳一鑫

本發(fā)明公開(kāi)了一種基于深度雙相似性度量網(wǎng)絡(luò)的小樣本SAR目標(biāo)識(shí)別方法，應(yīng)用于SAR圖像解譯領(lǐng)域，以解決小樣本條件下的SAR圖像目標(biāo)識(shí)別問(wèn)題。首先，本發(fā)明以膠囊單運(yùn)算為基本結(jié)構(gòu)，構(gòu)建一個(gè)可以挖掘高維特征信息的特征提取器。其次，本發(fā)明提出一種雙相似性度量的融合策略，在深度特征空間中實(shí)現(xiàn)穩(wěn)健的小樣本目標(biāo)類(lèi)標(biāo)簽判定。最后，為了獲得一個(gè)類(lèi)內(nèi)緊湊、類(lèi)間分散的特征表征空間，本發(fā)明設(shè)計(jì)了一個(gè)混合損失函數(shù)用于模型端到端訓(xùn)練。本發(fā)明可在眾多的小樣本SAR圖像目標(biāo)識(shí)別任務(wù)場(chǎng)景中實(shí)現(xiàn)較高精度的目標(biāo)識(shí)別，具有較好的泛化能力和魯棒性。

技術(shù)領(lǐng)域

本發(fā)明屬于合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)圖像解譯領(lǐng)域，具體涉及一種基于深度雙相似性度量網(wǎng)絡(luò)的小樣本SAR自動(dòng)目標(biāo)識(shí)別方法。

背景技術(shù)

合成孔徑雷達(dá)是一種具有全天時(shí)、全天候、穿透能力的主動(dòng)式微波傳感器，在軍事和民事領(lǐng)域有著其獨(dú)特的應(yīng)用。自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition,ATR)是SAR圖像解譯的關(guān)鍵技術(shù)之一，也是國(guó)內(nèi)外學(xué)者們一直關(guān)注的重點(diǎn)研究課題。近年來(lái)，隨著人工智能技術(shù)的迅猛發(fā)展，SAR自動(dòng)目標(biāo)識(shí)別技術(shù)也取得重大突破。特別是深度學(xué)習(xí)技術(shù)因其端到端自發(fā)式學(xué)習(xí)的優(yōu)點(diǎn)，已成為現(xiàn)階段SAR目標(biāo)識(shí)別的主流方法。但現(xiàn)有基于深度學(xué)習(xí)的SAR目標(biāo)識(shí)別方法的識(shí)別性能非常依賴(lài)于由大量訓(xùn)練樣本所提供的先驗(yàn)知識(shí)。因此，訓(xùn)練樣本的數(shù)量是影響現(xiàn)有基于深度學(xué)習(xí)的SAR目標(biāo)識(shí)別方法性能的先決條件。在一些SAR應(yīng)用場(chǎng)景中，特別是在軍事領(lǐng)域中，受目標(biāo)非合作特性以及捕獲代價(jià)等眾多因素影響，樣本稀缺是一種常態(tài)。因此，由樣本稀缺現(xiàn)象引起的小樣本問(wèn)題成為現(xiàn)階段SAR目標(biāo)識(shí)別面臨的重大挑戰(zhàn)。

在解小樣本SAR目標(biāo)識(shí)別問(wèn)題上，遷移學(xué)習(xí)和元學(xué)習(xí)已被廣泛采用。但是小樣本SAR目標(biāo)識(shí)別的研究目前尚處于萌芽階段，仍有眾多的問(wèn)題亟待解決。一方面，基于傳統(tǒng)卷積運(yùn)算的特征嵌入模型特征提取能力不足，為小樣本識(shí)別任務(wù)僅能提取有限的可轉(zhuǎn)移知識(shí)。另一方面，簡(jiǎn)單的分類(lèi)準(zhǔn)則應(yīng)用在小樣本SAR目標(biāo)識(shí)別任務(wù)上是不穩(wěn)健的。因此，本發(fā)明提出了一種基于深度雙相似性度量網(wǎng)絡(luò)的小樣本SAR目標(biāo)識(shí)別方法。

發(fā)明內(nèi)容

本發(fā)明針對(duì)以上SAR目標(biāo)識(shí)別任務(wù)中存在的問(wèn)題，提出了一種基于深度雙相似性度量網(wǎng)絡(luò)的小樣本SAR目標(biāo)識(shí)別方法。該方法設(shè)計(jì)了基于膠囊運(yùn)算的特征嵌入模型，可通過(guò)編碼特征之間的相對(duì)空間關(guān)系來(lái)提取更多可轉(zhuǎn)移的深層鑒別特征。同時(shí)，本發(fā)明提出了一種雙相似性度量的融合策略，在深度特征空間中實(shí)現(xiàn)穩(wěn)健的小樣本目標(biāo)類(lèi)標(biāo)簽判定。此外，為了獲得一個(gè)類(lèi)內(nèi)緊湊、類(lèi)間分散的特征表征空間，設(shè)計(jì)了一個(gè)混合損失函數(shù)用于模型端到端訓(xùn)練。

本發(fā)明為實(shí)現(xiàn)小樣本SAR目標(biāo)識(shí)別所采用的技術(shù)路線為：在訓(xùn)練階段，首先從訓(xùn)練數(shù)據(jù)中隨機(jī)采樣多個(gè)支持集與查詢(xún)集樣本，并將支持集與查詢(xún)集樣本一同輸入到基于膠囊嵌入的特征提取網(wǎng)絡(luò)中進(jìn)行特征編碼，然后將編碼的特征通過(guò)雙相似度量的融合策略進(jìn)行查詢(xún)集樣本的類(lèi)標(biāo)簽判定，最后基于混合損失優(yōu)化整個(gè)識(shí)別模型參數(shù)。在小樣本識(shí)別階段，將帶標(biāo)簽的少量樣本與待識(shí)別的樣本一同輸入在訓(xùn)練階段得到的基于膠囊的特征嵌入模型提取樣本特征，并將特征輸入到雙相似性度量以得到待識(shí)別樣本的類(lèi)標(biāo)簽。

本發(fā)明為一種基于深度雙相似性度量網(wǎng)絡(luò)的小樣本SAR目標(biāo)識(shí)別方法，該方法步驟如下：

步驟1：采集SAR目標(biāo)圖像數(shù)據(jù)集，并完成數(shù)據(jù)劃分、預(yù)處理、建立整體網(wǎng)絡(luò)；

步驟1.1：從樣本集中隨機(jī)采樣多組數(shù)據(jù)，并將采樣得到的每組數(shù)據(jù)劃分為支持集和查詢(xún)集，支持集中的樣本均帶類(lèi)標(biāo)簽，而查詢(xún)集中樣本不賦予其標(biāo)簽；

步驟1.2：考慮到原始SAR圖像中目標(biāo)只占據(jù)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(biāo)切片，以減輕網(wǎng)絡(luò)訓(xùn)練負(fù)擔(dān)；

步驟1.3：建立整體網(wǎng)絡(luò)模型的結(jié)構(gòu)，包括：基于膠囊運(yùn)算的特征嵌入網(wǎng)絡(luò)和雙相似性度量分類(lèi)器；

步驟2：將目標(biāo)切片輸入到特征嵌入網(wǎng)絡(luò)得到高維SAR圖像的低維度鑒別特征；