结合少样本学习与目标属性特征的SAR目标识别方法技术

本发明专利技术提出了一种结合少样本学习与目标属性特征的SAR目标识别方法，实现步骤为：获取源域数据集R、目标域数据集E、目标域支撑集ES、目标域查询集EQ以及R和ES的目标属性特征集合A；构建视觉分类网络F

【技术实现步骤摘要】
结合少样本学习与目标属性特征的SAR目标识别方法
本专利技术属于雷达图像处理
，涉及一种SAR图像目标识别方法，具体涉及一种结合少样本学习与目标属性特征的SAR目标识别方法，可用于已知类别标签样本有限情况下的目标识别。
技术介绍
合成孔径雷达SAR具有全天时、全天候及穿透力强的特点，被广泛应用于侦察、探测制导和遥感领域。近年来SAR图像的自动目标识别技术SARATR发展迅速，基本的SAR图像自动目标识别系统一般包括目标检测、目标鉴别和目标识别三个阶段。目标识别用于区分目标的类别，作为自动目标识别系统的最后一环，具有重要研究意义。传统的SAR目标识别算法通常适用于大量已知类别标签的样本，然而，由于现实情况的限制，很难得到大量已知类别的样本，使得利用传统的SAR目标识别算法基于有限已知类别的样本所训练出的特征推广性差。为解决这个问题，基于迁移学习的思想，将与有限已知类别样本的类别不同的样本作为源域数据集，将有限已知类别样本作为目标域数据集，通过利用源域数据集训练分类网络得到训练好的分类网络，利用训练好的网络或利用训练好的网络进行微调等本文档来自技高网...

【技术保护点】
1.一种结合少样本学习与目标属性特征的SAR目标识别方法，其特征在于，包括以下步骤：/n(1)获取源域数据集R、目标域数据集E、目标域支撑集ES、目标域查询集EQ以及R和ES的目标属性特征集合A：/n(1a)获取包含10类的目标，且每幅SAR图像中只包含一个目标的运动与静止目标MSTAR数据集M＝{M

【技术特征摘要】
1.一种结合少样本学习与目标属性特征的SAR目标识别方法，其特征在于，包括以下步骤：
(1)获取源域数据集R、目标域数据集E、目标域支撑集ES、目标域查询集EQ以及R和ES的目标属性特征集合A：
(1a)获取包含10类的目标，且每幅SAR图像中只包含一个目标的运动与静止目标MSTAR数据集M＝{M1,…,Mi,…,Ms}，并对M进行预处理，得到处理后的运动与静止目标MSTAR数据集M2，其中，Mi表示第i幅SAR图像，s表示SAR图像的数量，s≥4000；
(1b)将从预处理后的运动与静止目标MSTAR数据集M2中随机选取n类带有类别标签的SAR图像作为目标域数据集E，将M2中剩余带有类别标签的(10-n)类SAR图像作为源域数据集R，并将从E中带有类别标签的每类SAR图像中随机选取k幅作为E的支撑集ES＝{ESk×1,ESk×2,…,ESk×n}，将E中剩余带有类别标签的SAR图像作为E的查询集EQ，其中，n≤5，ESk×n表示第n类的k幅图像，k≤30；
(1c)提取M2中10类目标属性特征，得到10类目标的0/1二值的目标属性特征A＝{a1,…,aq,…,a10}，其中，aq表示第q类目标的目标属性特征向量；
(2)构建视觉分类网络F1：
构建包含顺次级联的特征提取模块T1和视觉分类模块V1的视觉分类网络F1，其中，特征提取模块T1包括顺次级联的多个卷积模块E1，E1包括依次层叠的卷积层、batchnormalization层、ReLu激活层和最大池化层，视觉分类模块V1包括顺次级联的多个全连接层和一个softmax层；
(3)对视觉分类网络F1进行迭代训练：
将源域数据集R作为视觉分类网络F1的输入进行K次迭代监督训练，得到包含训练后的特征提取模块T1'和视觉分类模块V1'的视觉分类网络F1'，其中K≥10000；
(4)构建视觉属性分类网络F：
构建包括顺次级联的原型分类网络F2和属性分类网络F3的视觉属性分类网络F，其中，F2包含顺次级联的训练后的特征提取模块T1'、第一计算欧氏距离模块O1和softmax层；F3包含顺次级联的乘法模块C0、第二计算欧式距离模块O2和softmax层；
(5)对视觉属性分类网络F进行迭代训练：
(5a)将支撑集ES中包含的每幅SAR图像以旋转90°的方式进行数据扩充，得到数据扩充后的支撑集ES1＝{ES1(2×k)×1,ES1(2×k)×2,…,ES1(2×k)×n}，并对ES1与源域数据集R进行合并，得到包含10类目标并带有类别标签的训练数据集RE，其中ES1(2×k)×n表示第n类的(2×k)幅SAR图像；
(5b)设置迭代次数为t，最大迭代次数为T，T≥1000，并令t＝0；
(5c)随机选取训练数据集RE中的n个类别，并随机选取每个类别带有类别标签的k幅SAR图像作为当前RE的支撑集RESt，随机选取每个类别剩余的带有类别标签的k幅SAR图像作为当前RE的查询集REQt，再从目标属性特征A中选取与RESt对应的n个类别的目标属性特征其中，表示第b个类别的目标属性特征向量，b≤n；
(5d)将支撑集RESt、查询集REQt及目标属性特征A′t作为视觉属性分类网络F的输入，通过F2中的特征提取模块T1'进行特征提取，得到RESt和REQt对应的特征向量集合VSt和VQt，其中，表示第t次迭代RESt中第b个类别第h幅SAR图像的特征向量，表示第t次迭代REQt中第b个类别第h幅SAR图像的特征向量，h≤k；
(5e)通过计算RESt中第b个类别的原型中心Ptb，并通过Ptb和计算第t次迭代REQt中第b个类别第h幅SAR图像在F2预测为第r个类别的类别预测概率PPtbh_r，得到第t次迭代REQt中第b个类别第h幅SAR图像在F2的类别预测概率集合PPtbh，PPtbh＝{PPtbh_1,…,PPtbh_r,…,PPtbh_n}，得到第t次迭代REQt在F2的类别预测概率集合PPt，PPt＝{PPt11,…,PPtbh,…,PPtnk}，然后通过PPtbh计算第t次迭代REQt中第b个类别第h幅SAR图像的损失值LossPtbh，得到F2的损失值LossPt，
(5f)通过PPtbh和A't，计算第t次迭代REQt中第b个类别第h幅SAR图像目标属性特征向量得到F3的属性特征集合A”t，并通过和A't计算第t次迭代REQt中第b个类别第h幅SAR图像在属性分类网络F3中预测为第r个类别的类别预测概率得到第t次迭代REQt中第b个类别第h幅SAR图像在F3的类别预测概率集合得到第t次迭代REQt在F3的类别预测概率集...

【专利技术属性】
技术研发人员：王英华，黄媛媛，王思源，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