一种成像及识别模型的训练方法、应用方法、装置及介质制造方法及图纸

本申请实施例提供一种成像及识别模型的训练方法、应用方法、装置及介质，该方法包括：获取用于训练成像及识别模型的标注数据，其中，所述标注数据是对雷达采集的目标回波信号进行成像结果标注和分类结果标注；根据所述标注数据和损失函数，对待训练的成像及识别模型进行训练，获得目标成像及识别模型，其中，所述成像及识别模型的输入是所述目标回波信号，输出是对所述目标回波信号预测的分类结果，所述损失函数是用所述预测的分类结果和标注的分类结果表征的，本申请实施例使成像模块可以生成对于识别过程最佳的目标图像，从而可以最大限度的提高分类精度。限度的提高分类精度。限度的提高分类精度。

【技术实现步骤摘要】
一种成像及识别模型的训练方法、应用方法、装置及介质


[0001]本申请实施例涉及回波成像识别领域，具体涉及一种成像及识别模型的训练方法、应用方法、装置及介质。

技术介绍

[0002]相关技术中，通常在合成孔径雷达(Synthetic Aperture Radar，SAR)/逆合成孔径雷达(Inverse
‑
Synthetic
‑
Aperture
‑
Radar，ISAR)自动目标识别中，通常将成像模型与识别模型分别训练且为各自设置独立的损失函数，因此导致根据训练好的成像模型中获得的目标图像通常具有较好的稀疏性能，但是具有较好稀疏性能的目标图像，对于后续在识别模型进行分类的过程中会导致识别准确率下降，并且在传统的成像算法中，需要大量迭代才能得到稀疏解，同时也影响识别分类效果。
[0003]因此，如何根据目标回波信号获取更加有利于分类的目标图像成了亟待解决的问题。

技术实现思路

[0004]本申请实施例提供一种成像及识别模型的训练方法、应用方法、装置及介质，通过本申请的一些实施例至少能够使成像模块可以生成对于识别过程最佳的目标图像，从而可以最大限度的提高分类精度。
[0005]第一方面，本申请实施例提供一种成像及识别模型的训练方法，所述训练方法包括：获取用于训练成像及识别模型的标注数据，其中，所述标注数据是对雷达采集的目标回波信号进行成像结果标注和分类结果标注得到的；根据所述标注数据和损失函数，对待训练的成像及识别模型进行训练，获得目标成像及识别模型，其中，所述成像及识别模型的输入是所述目标回波信号，输出是对所述目标回波信号预测的分类结果，所述损失函数是对输入的所述目标回波信号的预测的分类结果和标注分类结果表征的。
[0006]因此，本申请实施方式中的损失函数是通过对输入的目标回波数据的预测分类结果和标注分类结果来表征的，而不是采用相关技术的用对目标回波信号的预测成像结果来评价成像模型是否训练结束，训练包含有成像模型和识别模型的成像及识别模型，能够使成像模块可以生成对于识别过程最佳的目标图像，从而可以最大限度的提高分类精度。
[0007]结合第一方面，在一种实施方式中，所述成像及识别模型包括成像模型和识别模型；所述根据所述标注数据和损失函数，对待训练的成像及识别模型进行训练，获得目标成像及识别模型，包括：通过多次迭代的方式对待训练的成像模型进行训练，获得所述成像模型对应的目标参数的值，完成对所述成像模型的初步训练，得到初始成像模型，其中，目标参数的类型至少包括：步长和软阈值；将所述初始成像模型输出的成像结果和所述损失函数对所述成像及识别模型进行训练，获得所述目标成像及识别模型。
[0008]因此，区别于传统手工设置参数的稀疏恢复(Sparse Recovery,SR)算法，本申请实施方式中通过训练得到成像模型对应的目标参数值，确定成像模型，使成像模型能够生
成有利于识别分类的最佳目标图像，从而能够依据目标参数值获得分类准确率较高的成像及识别模型。
[0009]结合第一方面，在一种实施方式中，所述成像模型包括：初级图像生成模块和目标图像生成模块；其中，所述通过多次迭代的方式对所述待训练的成像模型进行训练，获得所述成像模型对应的目标参数值，包括：在第k次迭代中，将所述目标回波信号输入到所述初级图像生成模块，获得第k初级图像，其中，k为大于或等于1的整数；根据所述目标图像生成模块对所述第k初级图像进行稀疏域变换，获得第k目标图像；重复上述步骤，直至满足第一终止条件或者达到设定的循环次数，获得所述成像模型对应的目标参数值。
[0010]因此，本申请实施例通过将初级图像生成模块生成的初级图像输入到目标图像生成模块中进行训练，以实现稀疏域的变换和反变换，至少能够解决相关技术中使用正交矩阵进行稀疏域变换，而导致的效果不佳的问题，同时，在训练过程中可以，提升成像模型生成目标图像的准确性和可识别性。
[0011]结合第一方面，在一种实施方式中，所述目标图像生成模块包括：变换模块和反变换模块；所述变换模块依次包括：输入层、第一卷积层、第一线性整流层、第一池化层、第二卷积层和输出层；所述反变换模块依次包括：输入层、第三卷积层、第二线性整流层、第二池化层、第四卷积层和输出层。
[0012]因此，本申请实施例通过训练变换模块，能够获得结构较为灵活的参数(相关技术中，只通过二维正交矩阵进行稀疏域的变换)；通过训练反变换模块，能够使稀疏域中的初级图像反变换到图像域，从而生成可识别性高的目标图像。
[0013]结合第一方面，在一种实施方式中，所述通过多次迭代的方式对所述待训练的成像模型进行训练，获得所述成像模型对应的目标参数值之前，所述方法还包括：根据成像结果标注数据对待预训练的成像模型进行预训练，获得第i预训练结果，i为大于或等于1的整数；重复上述步骤，当确认所述第i预训练结果满足第二终止条件，获得所述待训练的成像模型。
[0014]结合第一方面，在一种实施方式中，所述当确认所述第i预训练结果满足第二终止条件，包括:根据成像损失函数确定满足所述第二终止条件，其中，所述成像损失函数用于衡量预测图像和标准图像之间的差异。
[0015]因此，本申请实施例通过在对待训练的成像及识别模型进行训练之前，对待预训练的成像模型进行预训练，能够为待训练的成像模型获得较为优质的初始参数，从而在对待训练的成像及识别模型进行训练的过程中，减少迭代次数，提高精度和训练效率。
[0016]第二方面，本申请实施例提供一种成像及识别的应用方法，所述方法包括：获取雷达采集的目标回波信号；将所述目标回波信号输入到如第一方面及其实施方式中任一项所述的训练方法得到的成像及识别模型中，获得成像结果和/或分类结果。
[0017]第三方面，本申请实施例提供一种成像识别模型的训练装置，所述训练装置包括：数据获取模块，被配置为获取用于训练成像及识别模型的标注数据，其中，所述标注数据是对雷达采集的目标回波信号进行成像结果标注和分类结果标注；模型训练模块，被配置为根据所述标注数据和损失函数，对待训练的成像及识别模型进行训练，获得成像及识别模型，其中，所述成像及识别模型的输入是所述目标回波信号，输出是对所述目标回波信号预测的分类结果，所述损失函数是用所述预测的分类结果和标注的分类结果表征的。
[0018]结合第三方面，在一种实施方式中，所述成像及识别模型包括成像模型和识别模型；所述模型训练模块还被配置为：通过多次迭代的方式对待训练的成像模型进行训练，获得所述成像模型对应的目标参数值，其中，目标参数的类型至少包括：步长和软阈值；根据所述目标参数值和所述损失函数，获得所述成像及识别模型。
[0019]结合第三方面，在一种实施方式中，所述成像模型包括：初级图像生成模块和目标图像生成模块；其中，所述模型训练模块还被配置为：在第k次迭代中，将所述目标回波信号输入到所述初级图像生成模块，获得第k初级图像，其中，k为大于或等于1的整数；根据所述目标图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种成像及识别模型的训练方法，其特征在于，所述训练方法包括：获取用于训练成像及识别模型的标注数据，其中，所述标注数据是对雷达采集的目标回波信号进行成像结果标注和分类结果标注得到的；根据所述标注数据和损失函数，对待训练的成像及识别模型进行训练，获得目标成像及识别模型，其中，所述成像及识别模型的输入是所述目标回波信号，输出是对所述目标回波信号预测的分类结果，所述损失函数是对输入的所述目标回波信号的预测的分类结果和标注分类结果表征的。2.根据权利要求1所述的方法，其特征在于，所述成像及识别模型包括成像模型和识别模型；所述根据所述标注数据和损失函数，对待训练的成像及识别模型进行训练，获得目标成像及识别模型，包括：通过多次迭代的方式对待训练的成像模型进行训练，获得所述成像模型对应的目标参数的值，完成对所述成像模型的初步训练，得到初始成像模型，其中，目标参数的类型至少包括：步长和软阈值；将所述初始成像模型输出的成像结果和所述损失函数对所述成像及识别模型进行训练，获得所述目标成像及识别模型。3.根据权利要求2所述的方法，其特征在于，所述成像模型包括：初级图像生成模块和目标图像生成模块；其中，所述通过多次迭代的方式对所述待训练的成像模型进行训练，获得所述成像模型对应的目标参数值，包括：在第k次迭代中，将所述目标回波信号输入到所述初级图像生成模块，获得第k初级图像，其中，k为大于或等于1的整数；根据所述目标图像生成模块对所述第k初级图像进行稀疏域变换，获得第k目标图像；重复上述步骤，直至满足第一终止条件或者达到设定的循环次数，获得所述成像模型对应的目标参数值。4.根据权利要求3所述的方法，其特征在于，所述目标图像生成模块包括：变换模块和反变换模块；所述变换模块依次包括：输入层、第一卷积层、第一线性整流层、第一池化层、第二卷积层和输出层；所述反变换模块依次包括：输入层、第三卷积层、第二线性整流层、第二池化层、第四卷积层和输出层。5.根据权利要求2
‑
...

【专利技术属性】
技术研发人员：胡晓伟，郭艺夺，冯为可，何兴宇，王宇晨，冯存前，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：