域适应Faster R-CNN半监督SAR检测方法技术

本发明专利技术公开了一种基于域适应Faster R‑CNN半监督SAR检测方法，解决了少量标记图像下SAR目标检测性能下降的问题。实现步骤：获取含标签的源域和少量标签的目标域数据；利用源域数据训练原始Faster R‑CNN；构建域适应Faster R‑CNN并初始化，利用源域和目标域数据进行训练，得到训练好的模型；将目标域测试数据输入训练好的模型，得到测试数据的检测结果。本发明专利技术构建域适应Faster R‑CNN，增设域适应和解码器模块，用含光学遥感图像辅助SAR目标检测，降低了对含标签SAR图像的依赖性，并通过解码器模块学习目标域数据全局信息，进一步提升检测性能。应用于SAR图像目标检测。

【技术实现步骤摘要】
域适应FasterR-CNN半监督SAR检测方法
本专利技术属于雷达图像处理
，更进一步涉及合成孔径雷达(SAR，SyntheticApertureRadar)图像自动目标识别，具体是一种基于域适应FasterR-CNN的半监督SAR目标检测方法，可以用于SAR图像目标检测，包括对于停车场车辆检测。
技术介绍
合成孔径雷达(SAR)是主动式微波成像雷达，可以实现对静止目标(如舰船、车辆等)全天候、全天时的实时远距离监测。随着雷达成像技术的高速发展，SAR自动目标识别(ATR)领域发展迅速。通常，SARATR包括以下三步：目标检测、目标鉴别和目标识别。目标检测作为SARATR步骤中的第一步，主要用于确定SAR图像中的感兴趣目标的位置，SAR目标检测技术在民用和军用的众多领域得到了广泛的应用。现有的SAR目标检测方法中，由于模型简单和检测速度快等优点，恒虚警检测(CFAR)成为了一种广泛应用的检测方法。CFAR算法要求SAR图像中的目标与杂波对比度较高，并且假设杂波服从高斯分布。该算法需要首先给定虚警率概率，计算检测阈值；然后计算待检本文档来自技高网...

【技术保护点】
1.一种基于域适应Faster R-CNN的半监督SAR目标检测方法，其特征在于，包括有以下步骤：/n(1)获取源域和目标域数据：源域和目标域数据对应为相似场景下的光学遥感图像和SAR图像数据，其中含有标签的源域数据表示为

【技术特征摘要】
1.一种基于域适应FasterR-CNN的半监督SAR目标检测方法，其特征在于，包括有以下步骤：
(1)获取源域和目标域数据：源域和目标域数据对应为相似场景下的光学遥感图像和SAR图像数据，其中含有标签的源域数据表示为i表示含有标签的源域数据中的样本索引，且i＝1,…,Ns，其中Ns表示源域的样本总个数，表示源域的第i个样本，表示源域第i个样本对应的标签；含有少量标签样本的目标域训练数据表示为Dt＝Dl∪Du，其中目标域中有标签的训练数据表示为k1表示含有少量标签的目标域训练数据中的样本索引，且k1＝1,…,Nl，Nl表示目标域训练数据中含有标签的样本总个数，表示目标域训练数据中含有标签的第k1个样本，表示目标域的第k1个样本的标签；目标域中不含标签的训练数据表示为k2表示含有不含标签的目标域训练数据中的样本索引，且k2＝1,…,Nu，其中Nu表示目标域训练数据中不含标签的样本总个数，目标域训练数据中含标签的样本数量较少，即Nl＜＜Nu；不含标签的目标域测试数据表示为m表示含有少量标签的目标域训练数据中的样本索引，且m＝1,…,Ntest，其中Ntest表示目标域中测试样本总个数，表示目标域测试数据中的第m个样本；
(2)利用源域数据训练并优化原始FasterR-CNN：调用原始的FasterR-CNN，该网络依次连接有基础网络，RPN和ROI结构，其中基础网络采用vgg16结构，RPN包括两个卷积层，ROI包含两个全连接层；vgg16采用在ImageNet数据集上预训练的模型作为基础网络的初始化，而RPN和ROI这两部分结构采用随机初始化；计算原始FasterR-CNN的损失函数L'supervised＝L'RPN+L'ROI，其中L'RPN表示RPN结构的损失函数，L'ROI表示ROI结构的损失函数；采用随机梯度下降算法优化原始FasterR-CNN的损失函数L'supervised，学习原始FasterR-CNN中的基础网络、RPN和ROI这三部分的网络参数，得到训练好的原始FasterR-CNN；
(3)构造域适应FasterR-CNN模型：在原始FasterR-CNN框架下增设了一个域适应模块和一个解码器模块，构造的域适应FasterR-CNN模型具体地包括两个并列的基础网络，即源域的基础网络和目标域的基础网络，在目标域的基础网络之后并行连接有RPN结构和解码器结构，在RPN结构之后连接ROI结构；源域的基础网络和目标域的基础网络各自提取的特征图之间增加了一个基于最大均值差异(MMD)的约束项，构成了增设的域适应模块，目标域的基础网络之后连接的解码器结构构成了增设的解码器模块；域适应FasterR-CNN模型的输入分别是源域数据输入到源域基础网络，目标域数据输入到目标域基础网络中，域适应FasterR-CNN模型具有两个输出，一个输出是ROI结构的输出，该输出完成对目标域数据的检测，另一个输出是解码器模块的输出，解码器模块对目标域数据重构，整体形成域适应FasterR-CNN模型；
(4)对构建的域适应FasterR-CNN模型参数初始化：目标域的基础网络采用vgg16结构，并利用在ImageNet数据集上预训练的vgg16结构进行初始化，域适应FasterR-CNN模型中的源域基础网络采用已经训练好的原始FasterR-CNN的基础网络，RPN、ROI结构和解码器部分的网络参数采用随机初始化；
(5)利用源域和目标域数据训练并优化构建的域适应FasterR-CNN：具体训练包括：
(5a)计算域适应FasterR-CNN的损失函数：域适应FasterR-CNN的损失函数L＝Lsupervised+αLMMD+βLrecon包括三项，分别是源域和目标域数据的特征图之间的域适应损失LMMD、目标域数据的重构损失Lrecon以及RPN、ROI的检测损失Lsupervised＝LRPN+LROI，RPN结构的损失表示为LRPN＝LRPN_reg+LRPN_cls，其中LRPN_reg表示RPN部分的边框回归损失，LRPN_cls表示RPN结构的分类损失；ROI部分的损失表示为LROI＝LROI_reg+LROI_cls，其中LROI_reg表示ROI结构的边框回归损失，LROI_cls表示ROI结构的分类损失，因此，域适应FasterR-CNN的损失函数表示为L＝Lsupervised+αLMMD+βLrecon，其中α和β分别...

【专利技术属性】
技术研发人员：杜兰，廖磊瑶，陈健，
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