一种基于多判别器生成对抗网络的SAR图像目标识别方法技术

本发明专利技术涉及一种基于多判别器生成对抗网络的SAR图像目标识别方法，包括：获取原始的真实样本，基于多判别器生成对抗网络模型，生成训练样本数据集；利用训练样本数据集对卷积神经网络进行训练，得到训练好的目标识别模型；输入待测SAR图像给目标识别模型，通过特征提取以及特征匹配，输出待测SAR图像对应的目标识别结果。与现有技术相比，本发明专利技术提出了一种用于生成高质量高稳定性训练样本数据集的多判别器生成对抗网络模型，采用多判别器联合反馈的训练模式，利用动态调节选择函数融合各判别器的输出结果完成对生成器的更新训练，保证训练稳定性和生成样本质量，进而提升后续目标识别模型训练的可靠性、提高SAR图像目标识别的准确率。

【技术实现步骤摘要】
一种基于多判别器生成对抗网络的SAR图像目标识别方法
本专利技术涉及SAR图像目标识别
，尤其是涉及一种基于多判别器生成对抗网络的SAR图像目标识别方法。
技术介绍
SAR图像由SAR(SyntheticApertureRadar，合成孔径雷达)系统产生，由于SAR是一种先进的主动式微波对地观测设备，有一定的穿透能力，能够获得类似光学照片的图像、有效探测伪装下的目标，因此，SAR图像目标识别对国民经济以及军事应用领域具有十分重要的意义。目前SAR图像的目标识别大多基于深度学习相关技术，其对训练数据的数量与质量均有着较高的需求，而现有的SAR目标图像样本数量有限且获取困难，使得目标识别模型难以得到充分的训练。近年来提出的生成对抗网络(GenerativeAdversarialNetworks，GAN)技术是数据扩充算法中效果较为突出的一种，将GAN技术应用于SAR图像训练样本的数据扩充，能够在一定程度上增加训练数据的数量，然而传统GAN模型训练鲁棒性差，导致生成训练数据的质量不稳定，影响后续目标识别模型的训练，也就无法保证SAR图像目标识别的准确性。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多判别器生成对抗网络的SAR图像目标识别方法，通过改进传统GAN模型，提出一种多判别器生成对抗网络(Multi-Discriminator-GenerativeAdversarialNetworks，MD-GAN)，以充分提高生成训练数据的数量及质量，从而保证后续目标是被模型的可靠训练、保证SAR图像目标识别的准确性。本专利技术的目的可以通过以下技术方案来实现：一种基于多判别器生成对抗网络的SAR图像目标识别方法，包括以下步骤：S1、获取原始的真实样本，基于多判别器生成对抗网络模型，生成训练样本数据集；S2、利用训练样本数据集对卷积神经网络进行训练，得到训练好的目标识别模型；S3、输入待测SAR图像给目标识别模型，通过特征提取以及特征匹配，输出待测SAR图像对应的目标识别结果。进一步地，所述步骤S1中多判别器生成对抗网络模型包括生成器、多判别器单元和审判单元，所述生成器的输入为随机噪声，所述多判别器的输入为原始的真实样本，所述生成器的输出端连接至多判别器单元，所述多判别器单元连接至审判单元的输入端，所述审判单元的输出端分别连接至生成器、多判别器单元，所述生成器根据随机噪声生成虚假样本给多判别器单元；所述多判别器单元用于判别虚假样本以及原始的真实样本，并输出反馈结果；所述审判单元用于判断反馈结果是否准确，并根据审判结果以分别更新生成器和多判别器单元。进一步地，所述多判别器单元包括多个并行的判别器，多个判别器的输入均为虚假样本和原始的真实样本，多个判别器的输出端均连接至动态调节模块，所述动态调节模块连接至审判单元，所述动态调节模块对多个判别器输出的判定结果进行动态选择，以得到反馈结果。进一步地，所述步骤S1具体包括以下步骤：S11、获取原始的真实样本，并输入给多个判别器；S12、输入随机噪声给生成器，由生成器生成对应的虚假样本，并输入给多个判别器；S13、根据虚假样本和原始的真实样本，多个判别器分别对应输出多个判定结果，其中，判定结果具体为虚假样本和原始的真实样本之间的差异程度；S14、根据动态选择函数，动态调节模块对多个判定结果进行动态选择处理，以筛选得到反馈结果；S15、审判单元对反馈结果进行准确性判断，以此分别更新生成器和多判别器单元，之后返回步骤S11，根据多判别器生成对抗网络的目标函数，使生成器基于多判别器单元的反馈结果进行训练，按照预设的迭代次数，以得到训练好的生成器；S16、输入随机噪声给训练好的生成器，以生成得到训练样本数据集。进一步地，所述动态选择函数包括均值函数和最大值函数。进一步地，所述动态选择函数具体为：其中，FC(·)为动态选择函数，可采用均值mean(·)函数或最大值max(·)函数，λ∈[0,+∞)为动态调节参数，用以控制FC(·)的选取，λ→0和λ→+∞分别对应mean(·)和max(·)运算。进一步地，所述多判别器生成对抗网络的目标函数为：其中，G表示生成器，D表示判别器，V是一个价值函数，代表判别器的判别性能，V(G,D1)为多判别器单元中第一个判别器的判定结果，即第一个判别器判定的虚假样本与原始真实样本之间的差异程度，以此类推，V(G,Di)为多判别器单元中第i个判别器的判定结果，即第i个判别器判定的虚假样本与原始真实样本之间的差异程度；k为多判别器单元中判别器的总数量；意为固定生成器G，让判别器D能够最大化判别出虚假样本与原始真实样本，意为在固定判别器D的条件下得到生成器G，这个生成器G能够最小化输出虚假样本与原始真实样本之间的差异。进一步地，所述步骤S15中生成器基于多判别器单元的反馈结果进行训练的具体过程为：S151、首先将动态调节参数λ置为λ→0，即动态选择函数采用FC(·)＝mean(·)，使生成器基于所有判别器的整体平均输出反馈结果进行训练；S152、当判别器的反馈结果被审判单元连续N次判断为真时，将动态调节参数λ置为λ→+∞，即动态选择函数采用FC(·)＝max(·)，使生成器基于优化最快的判别器输出反馈结果进行训练，直至达到预设的迭代次数，得到训练好的生成器，其中，N≥5。进一步地，所述步骤S152中生成器基于优化最快的判别器输出反馈结果进行训练时，具体采用算术均值方法，以避免由于求解多个判别器最大值，导致生成器发生梯度消失，其中，所采用的算术均值方法的数学表达式为：其中，ωi为多判别器单元中第i个判别器的算数权值。进一步地，所述生成器生成虚假样本时的训练公式为：其中，z为输入的随机噪声，G(z)为生成器生成的虚假样本，Di(G(z))为多判别器单元中第i个判别器对虚假样本判定为真的概率值，1-Di(G(z))为多判别器单元中第i个判别器对虚假样本判定为假的概率值，E为期望，PG为生成器的生成数据分布；所述生成器的梯度具体为：其中，为多判别器单元中所有判别器对虚假样本判定为假的概率值的累积值，当时，生成器梯度最小值将在处取得，此时因此，梯度消失仅在全部判别器均判定虚假样本为假时才发生，这使得生成器能够从多判别器处接收更多的正向反馈。与现有技术相比，本专利技术具有以下优点：一、本专利技术对传统GAN模型结构进行改进，将原本的单一判别器结构改为多判别器联合反馈的训练模式，利用选择函数融合各判别器的输出结果完成对生成器的更新训练，并通过参数自适应的动态调节选择函数的类型，有效提高GAN模型的训练稳定性和生成样本质量，实现对SAR训练样本数据集的高质量高稳定性数据扩充，能够更好地训练后续的目标识别模型，进而提升SAR图像的目标识别准确率。...

【技术保护点】
1.一种基于多判别器生成对抗网络的SAR图像目标识别方法，其特征在于，包括以下步骤：/nS1、获取原始的真实样本，基于多判别器生成对抗网络模型，生成训练样本数据集；/nS2、利用训练样本数据集对卷积神经网络进行训练，得到训练好的目标识别模型；/nS3、输入待测SAR图像给目标识别模型，通过特征提取以及特征匹配，输出待测SAR图像对应的目标识别结果。/n

【技术特征摘要】
1.一种基于多判别器生成对抗网络的SAR图像目标识别方法，其特征在于，包括以下步骤：
S1、获取原始的真实样本，基于多判别器生成对抗网络模型，生成训练样本数据集；
S2、利用训练样本数据集对卷积神经网络进行训练，得到训练好的目标识别模型；
S3、输入待测SAR图像给目标识别模型，通过特征提取以及特征匹配，输出待测SAR图像对应的目标识别结果。


2.根据权利要求1所述的一种基于多判别器生成对抗网络的SAR图像目标识别方法，其特征在于，所述步骤S1中多判别器生成对抗网络模型包括生成器、多判别器单元和审判单元，所述生成器的输入为随机噪声，所述多判别器的输入为原始的真实样本，所述生成器的输出端连接至多判别器单元，所述多判别器单元连接至审判单元的输入端，所述审判单元的输出端分别连接至生成器、多判别器单元，所述生成器根据随机噪声生成虚假样本给多判别器单元；
所述多判别器单元用于判别虚假样本以及原始的真实样本，并输出反馈结果；
所述审判单元用于判断反馈结果是否准确，并根据审判结果以分别更新生成器和多判别器单元。


3.根据权利要求2所述的一种基于多判别器生成对抗网络的SAR图像目标识别方法，其特征在于，所述多判别器单元包括多个并行的判别器，多个判别器的输入均为虚假样本和原始的真实样本，多个判别器的输出端均连接至动态调节模块，所述动态调节模块连接至审判单元，所述动态调节模块对多个判别器输出的判定结果进行动态选择，以得到反馈结果。


4.根据权利要求3所述的一种基于多判别器生成对抗网络的SAR图像目标识别方法，其特征在于，所述步骤S1具体包括以下步骤：
S11、获取原始的真实样本，并输入给多个判别器；
S12、输入随机噪声给生成器，由生成器生成对应的虚假样本，并输入给多个判别器；
S13、根据虚假样本和原始的真实样本，多个判别器分别对应输出多个判定结果，其中，判定结果具体为虚假样本和原始的真实样本之间的差异程度；
S14、根据动态选择函数，动态调节模块对多个判定结果进行动态选择处理，以筛选得到反馈结果；
S15、审判单元对反馈结果进行准确性判断，以此分别更新生成器和多判别器单元，之后返回步骤S11，根据多判别器生成对抗网络的目标函数，使生成器基于多判别器单元的反馈结果进行训练，按照预设的迭代次数，以得到训练好的生成器；
S16、输入随机噪声给训练好的生成器，以生成得到训练样本数据集。


5.根据权利要求4所述的一种基于多判别器生成对抗网络的SAR图像目标识别方法，其特征在于，所述动态选择函数包括均值函数和最大值函数。


6.根据权利要求5所述的一种基于多判别器生成对抗网络的SAR图像目标识别方法，其特征在于，所述动态选择函数具体为：



其中，FC(·)为动态选择函数，可采用均值mean(·)函数或最大值max(·)函数，λ∈[0,+∞)为动态调节参数，...

【专利技术属性】
技术研发人员：袁瑛，毛涵秋，冯玉尧，
申请(专利权)人：苏州兴钊防务研究院有限公司，
类型：发明
国别省市：江苏;32