基于半监督学习和特征约束的SAR目标鉴别方法技术

本发明专利技术公开了一种基于半监督学习和特征约束的SAR目标鉴别方法，主要解决现有有标签训练SAR数据不充分导致过拟合和鉴别性能差的问题。其方案是：1)获取给定的有标签训练数据集、无标签训练数据集和测试样本集，对其进行预处理，得到新的训练集和新的测试集；2)构建基于特征约束的半监督SAR目标鉴别网络Ψ：3)将新的训练集输入到构建好的SAR目标鉴别网络Ψ中进行训练，得到训练好的网络Ψ′；4)将新的测试集输入到训练好的SAR目标鉴别网络Ψ′中，得到最终的目标鉴别结果。本发明专利技术利用半监督学习和特征约束，一定程度上减轻了有标签数据不充分导致的过拟合问题，增强了网络学习的特征的鉴别性，提升了网络SAR目标鉴别的性能。

SAR target identification method based on semi supervised learning and feature constraints

【技术实现步骤摘要】
基于半监督学习和特征约束的SAR目标鉴别方法
本专利技术属于雷达目标识别
，主要涉及SAR图像目标鉴别方法，可用于对车辆目标识别与分类提供重要信息。
技术介绍
合成孔径雷达SAR利用微波遥感技术，具有全天时、全天候的工作能力，并具有高分辨率、多频段、视角可变和穿透力强的特点。随着SAR技术的不断发展，成像分辨率不断提高，SAR图像的自动目标识别ATR受到越来越广泛的关注。SAR图像自动目标识别ATR系统一般包括目标检测、目标鉴别和目标识别三个阶段。目标鉴别用于去除目标检测阶段得到的候选目标中的杂波虚警，在SAR图像自动目标识别ATR中具有重要的研究意义。由于SAR图像成像严重受到相干斑噪声的影响，且SAR图像通常是复杂的场景，包含了大量的不同类型的杂波，因此，在SAR目标鉴别阶段，有效特征的设计和提取都是至关重要的。在过去几十年，大量传统特征提取方法被提出，这些方法强烈依赖于人工设计特征的鉴别性能，且特征的设计需要许多先验知识和经验。另外，当SAR图像场景变得相对复杂时，这些人工设计特征性能降低、泛化能力差。近年来，卷积神经网络C本文档来自技高网...

【技术保护点】
1.一种基于半监督学习和特征约束的SAR目标鉴别方法，其特征在于，包括如下：/n(1)构建新的训练集Φ′：/n对训练集Φ中的每个有标签训练样本M和每个无标签的训练样本N进行Lee滤波处理，得到滤波后的有标签训练图像M′和无标签训练图像N′；/n对测试集T中的每个测试样本Q进行Lee滤波得到滤波后新的测试图像Q′；/n将新的测试图像Q′与滤波后的有标签训练图像M′和无标签训练图像N′一起构成新的训练集Φ′；/n2)构建基于特征约束的半监督SAR目标鉴别网络Ψ：/n该网络包括分类网络Net-S和重构网络Net-U两个部分：/n2a)构建重构网络Net-U部分：/n重构网络依次包括三层卷积层和三层反...

【技术特征摘要】
20191119 CN 20191113331671.一种基于半监督学习和特征约束的SAR目标鉴别方法，其特征在于，包括如下：
(1)构建新的训练集Φ′：
对训练集Φ中的每个有标签训练样本M和每个无标签的训练样本N进行Lee滤波处理，得到滤波后的有标签训练图像M′和无标签训练图像N′；
对测试集T中的每个测试样本Q进行Lee滤波得到滤波后新的测试图像Q′；
将新的测试图像Q′与滤波后的有标签训练图像M′和无标签训练图像N′一起构成新的训练集Φ′；
2)构建基于特征约束的半监督SAR目标鉴别网络Ψ：
该网络包括分类网络Net-S和重构网络Net-U两个部分：
2a)构建重构网络Net-U部分：
重构网络依次包括三层卷积层和三层反卷积层，即第一层卷积层L1、第二层卷积层L2、第三层卷积层L3、第四层反卷积层L4、第五层反卷积层L5、第六层反卷积层L6，并在每个卷积层后面使用ReLU函数作为激活函数；
2b)构建具有特征约束的分类网络Net-S部分：
分类网络依次包含三层卷积层、一层最大池化层、一层卷积层、一层全连接层和一层softmax分类器层，并且分类网络的前三层卷积层与重构网络的前三层卷积层是共享的，即第一卷积层L1、第二层卷积层L2、第三层卷积层L3、第四层最大池化层C4、第五层卷积层C5、第六层全连接层C6、第七层softmax分类器C7，且在每个卷积层和全连接层后面使用ReLU函数作为激活函数；
2c)基于KL散度对分类网络Net-S增加特征约束：
为使有标签数据集和测试数据集分布接近，对分类网络Net-S的第六层全连接层C6的每一个神经元的平均激活度施加特征约束项LossKL，j表示全连接层C6的第j个神经元；
(3)构建SAR目标鉴别网络Ψ的损失函数Lossall：
3a)设重构网络Net-U的重构损失为LossU，并利用无标签训练图像N′训练该重构网络，使得重构网络的损失函数LossU最小化；
3b)设分类网络Net-S的分类损失为LossS，并使用有标签训练图像M′训练该分类网络，使得分类网络的分类损失LossS最小化；
3c)在最小化重构网络Net-U的重构损失LossU和分类网络Net-S的分类损失LossS的同时，最小化分类网络Net-S的特征约束项LossKL，得到SAR目标鉴别网络Ψ的损失函数为Lossall＝LossU+LossS+LossKL；
(4)将新的训练集Φ′输入到构建好的SAR目标鉴别网络Ψ中进行训练，得到训练好的网络架构Ψ′；
(5)将新的测试图像集Q′输入到训练好的SAR目标鉴别网络Ψ′中，得到最终的目标鉴别结果。


2.根据权利要求1所述的方法，其中步骤2a)中重构网络Net-U的各层参数设置如下：
第一层卷积层L1，其卷积核K1的窗口大小为3×3，滑动步长S1为2，用于对输入图像X0进行卷积，输出64个特征图j表示第j个特征图，j＝1,...,64，该层输出作为第二层卷积层L2的输入；
第二层卷积层L2，其卷积核K2的窗口大小为3×3，滑动步长S2为2，用于对第一层卷积层L1输出的64个特征图进行卷积，输出64个特征图k表示第k个特征图，k＝1,...,64，该层输出作为第三层卷积层L3的输入；
第三层卷积层L3，其卷积核K3的窗口大小为3×3，滑动步长S3为2，用于对第二层卷积层L2输出的64个特征图进行卷积，输出128个特征图l表示第l个特征图，该层输出作为第四层卷积层L4的输入；
第四层反卷积层L4，其卷积核K4的窗口大小为3×3，滑动步长S4为2，用于对第三层卷积层L3输出的128个特征图进行反卷积，输出64个特征图p表示第p个特征图，p＝1,...,64，该层输出作为第五层卷积层L5的输入；
第五层反卷积层L5，其卷积核K5的窗口大小为3×3，滑动步长S5为2，用于对第四层反卷积层L4输出的64个特征图进行反卷积，输出64个特征图q表示第q个特征图，q＝1,...,64，该层输出作为第六层卷积层L6的输入；<...

【专利技术属性】
技术研发人员：王英华，唐天顾，王宁，刘宏伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61