基于自适应确定拒判准则的SAR目标开集识别方法技术

本发明专利技术公开一种基于自适应确定拒判准则的SAR目标开集识别方法，其实现步骤为：生成训练集和测试集；构建卷积自编码网络并进行训练；使用极值理论拟合样本集的重构误差并得到各类目标的拒判阈值；使用卷积自编码网络获取待识别SAR目标的预测类别概率；重构待识别SAR目标图像并计算重构误差；将重构误差小于预测类别对应拒判阈值的样本识别为预测类别概率得分最高的类别，大于拒判阈值则识别为未知类目标。本发明专利技术具有既能准确识别已知类也能自适应拒判未知类的优点，解决了现有技术由于拒判阈值设置缺乏理论依据且泛化性能差而无法使用于真实开放环境的工程实践的问题。用于真实开放环境的工程实践的问题。用于真实开放环境的工程实践的问题。

【技术实现步骤摘要】
基于自适应确定拒判准则的SAR目标开集识别方法


[0001]本专利技术属于雷达通信
，更进一步涉及雷达自动目标识别
中的一种基于自适应确定拒判准则的合成孔径雷达SAR(Synthetic Aperture Radar) 目标开集识别方法。本专利技术可用于雷达干扰环境为开集场景下识别SAR目标的类型。

技术介绍

[0002]雷达自动目标识别技术RATR(Radar Automatic target recognition)是典型的开集场景识别任务，其面向的是非合作目标，类别众多、型号繁杂，训练阶段很难建立完备的目标识别库，即测试阶段存在未知类目标。传统的模式识别技术是在闭集假设条件下设计的，即假定训练样本中出现的类别标记集合包含所有待识别样本的类别标记，不存在未知类目标。在真实的开放环境中，当库外未知类目标进入到模型时，闭集识别模型会强制将未知类目标错分为某一库内类别，这极大地限制了模型在开放环境中的应用。因此，期望一个能够识别/拒判未知类目标同时保持对已知类目标识别性能的分类器，在雷达自动目标识别中实现对输入的已知类样本，输出为具体的某个类别，对输入的未知类样本，拒判为未知类类别。在开放环境中感知未知类目标，正确且自适应地检测到未知类目标的存在并识别已知类目标是雷达开放环境下识别的前提和基础。
[0003]Ma Xiaojie等人在其发表的论文“An Open Set Recognition Method for SARTargets Based on Multitask Learning”(IEEE Geoscience and Remote SensingLetters,2021,5)中提出了一种结合分类支路的生成对抗网络雷达开集识别方法。该方法包含一个生成器和一个结合分类支路的判别器，生成器输入随机噪声和类别标签，输出生成的伪样本，结合分类支路的判别器输入伪样本和真实样本，输出相应的判别分数和预测标签。该方法的实现步骤是，第一步，将随机噪声和类别标签输入到生成器并得到生成图像，生成图像尽可能混淆判别器；第二步，将原图像和生成图像输入结合分类支路的判别器得到相应的置信分数，判别器要尽可能区分原图像和生成图像；第三步，将原图像输入判别器的分类支路，最小化预测标签和真实标签的交叉熵损失。Goodfellow将生成器比作印假钞的犯人，判别器比作抓犯人的警察。犯罪分子伪造以假乱真的真币，警察不断提升识别假钞和真币的能力。在生成器和判别器的不断博弈过程中，判别器的鉴别能力和生成器的生成能力都得到显著性提升。在拒判准则设置阶段，该方法在模型训练完成后，基于测试集所有已知类目标和未知类目标在判别器上的置信分数分布遍历得到最优的阈值。在测试阶段，将待测样本输入结合分类支路的判别器，输出相应的置信分数和预测标签，当待测样本的判别分数小于遍历得到的最优阈值时，模型将待测样本拒判为未知类目标，否则，识别为预测标签对应的类别。该方法存在的不足之处是，需要使用未知类样本在训练过程中遍历寻找到合适的阈值，由于在工程实践中无法提前获取未知类样本，因此，该方法的拒判阈值选取策略缺乏理论依据且泛化性能差，无法适用于真实开放环境的工程实践。
[0004]西安电子科技大学在其申请的专利文献“一种雷达高分辨距离像开集识别方法及装置”(专利申请号：CN202111199838.4，申请公布号CN 114137518 A) 中公开了一种雷达
开集识别方法。该方法采用卷积神经网络技术构建各类别原型向量增强类内聚合性，同时组合各层的初级特征，从而得到更高层的特征进行识别，因此模型对已知类目标的识别率有显著性提高。在测试阶段，当待测样本的分类得分小于人为设定的阈值时，模型将待测样本拒判为未知类目标，否则，识别为预测标签对应的类别。该方法存在的不足之处是，训练阶段没有考虑未知类的潜在特征信息，模型性能对剔除未知类目标的拒判阈值非常敏感，人为设定拒判阈值缺乏理论依据且泛化性能差，直接应用于真实开放环境的工程实践时， SAR目标开集识别模型的鲁棒性能弱，难以准确地拒判未知类目标和识别已知类目标。

技术实现思路

[0005]本专利技术的目的在于针对上述现有技术存在的不足，提出了一种基于自适应确定拒判准则的SAR目标开集识别技术，旨在解决现有技术由于拒判阈值设置缺乏理论依据且泛化性能差而无法适用于真实开放环境的工程实践的问题。
[0006]实现本专利技术目的的思路是：本专利技术在仅使用已知类训练样本的前提下，训练阶段拟合未知类目标重构误差分布并通过统计建模的极值理论来建模重构误差，进而自适应地确定拒判阈值，实现库内已知类目标和库外未知类目标的拒判，解决了现有技术由于拒判阈值设置缺乏理论依据而无法适用于真实开放环境的工程实践的问题。本专利技术结合SAR目标特性设计了一个结合通道级注意力机制的卷积自编码模型用于SAR目标开集识别任务并且通过联合优化的策略用以提取鉴别模块和重构模块的联合最优特征表示，进一步提升了模型对SAR目标的识别率，解决了现有技术由于模型泛化性能差而无法适用于真实开放环境的工程实践的问题。
[0007]本专利技术采取的技术方案包括如下步骤：
[0008]步骤1，生成训练集：
[0009]选取雷达工作俯仰角为17
°
的至少1000张SAR图像，对每张SAR图像进行裁剪和类别标记，将所有裁剪后的图像和对应类别标签组成训练集；
[0010]步骤2，构建卷积自编码模型开集识别模型：
[0011]步骤2.1，构建编码子网络：
[0012]搭建一个由五个具有相同结构的通道注意力模块串联组成的编码子网络；
[0013]每个通道注意力模块由两条并联支路组成：
[0014]第一支路的结构依次为：卷积层、Batch Norm批次归一化层、ReLU非线性层；将第一至第五模块中第一支路卷积层的卷积核数量依次设置为16、32、64、 128、256，卷积核大小均设置为3
×
3，卷积核步长均设置为1，填充方式均设置为等大填充方式；
[0015]第二支路的结构依次为：全局平均池化层、第一卷积层、ReLU非线性层、第二卷积层、Sigmoid激活函数；将第一至第五模块中第二支路中第一卷积层的卷积核数量依次设置为4、8、16、32、64，卷积核大小均设置为1
×
1，卷积核步长均设置为1，填充方式均设置为等大填充方式；将第一至第五模块中第二支路第二卷积层的卷积核数量依次设置为16、32、64、128、256，卷积核大小均设置为1
×
1，卷积核步长均设置为1，填充方式均设置为等大填充方式；
[0016]步骤2.2，构建条件子网络：
[0017]搭建一个由三层全连接层组成的条件子网络；将全连接层的节点数依次设置为
256、1024、4096；
[0018]步骤2.3，构建分类子网络：
[0019]搭建一个由两层卷积层组成的分类子网络；将卷积核数量依次设置为128、K；其中，K表示训练集类别；将卷积核大小均设置为1...

【技术保护点】

【技术特征摘要】
1.一种基于自适应确定拒判准则的SAR目标开集识别方法，其特征在于，构建一个用于输出SAR目标的预测类别概率的卷积自编码网络，通过自适应设置拒判阈值准则，检测SAR目标是否为未知类目标；该识别方法的步骤包括如下：步骤1，生成训练集：选取雷达工作俯仰角为17
°
的至少1000张SAR图像，对每张SAR图像进行裁剪和类别标记，将所有裁剪后的图像和对应类别标签组成训练集；步骤2，构建卷积自编码模型开集识别模型：步骤2.1，构建编码子网络：搭建一个由五个具有相同结构的通道注意力模块串联组成的编码子网络；每个通道注意力模块由两条并联支路组成：第一支路的结构依次为：卷积层、Batch Norm批次归一化层、ReLU非线性层；将第一至第五模块中第一支路卷积层的卷积核数量依次设置为16、32、64、128、256，卷积核大小均设置为3
×
3，卷积核步长均设置为1，填充方式均设置为等大填充方式；第二支路的结构依次为：全局平均池化层、第一卷积层、ReLU非线性层、第二卷积层、Sigmoid激活函数；将第一至第五模块中第二支路中第一卷积层的卷积核数量依次设置为4、8、16、32、64，卷积核大小均设置为1
×
1，卷积核步长均设置为1，填充方式均设置为等大填充方式；将第一至第五模块中第二支路第二卷积层的卷积核数量依次设置为16、32、64、128、256，卷积核大小均设置为1
×
1，卷积核步长均设置为1，填充方式均设置为等大填充方式；步骤2.2，构建条件子网络：搭建一个由三层全连接层组成的条件子网络；将全连接层的节点数依次设置为256、1024、4096；步骤2.3，构建分类子网络：搭建一个由两层卷积层组成的分类子网络；将卷积核数量依次设置为128、K；其中，K表示训练集类别；将卷积核大小均设置为1
×
1，卷积核步长均设置为1，填充方式均设置为等大填充方式；步骤2.4，构建解码子网络：搭建一个由四个反卷积层串联组成的解码子网络；将第一至第四反卷积层的卷积核数量依次设置为128、64、32和16，卷积核大小均设置为4
×
4，卷积核步长均设置为2，填充方式均设置为等大填充方式，偏差置均设置为0；步骤2.5，将条件子网络和编码子网络并联得到子网络1，将分类子网络和解码子网络并联得到子网络2，再将子网络1和子网络2串联，构成基于卷积自编码的开集识别模型；步骤3，训练开集识别模型：步骤3.1，将训练集的每张图像输入到开集识别模型中，经编码子网络后输出训练集中每张图像的样本隐特征，经分类子网络后输出每张图像的预测类别概率；利用交叉熵损失函数，计算每张图像的预测类别概率与该图像对应的类别标签之间的交叉熵损失L
c
：步骤3.2，将训练集的每张图像类别标签输入到开集识别模型中，经条件子网络输出每张图像的...

【专利技术属性】
技术研发人员：杜兰，李逸明，宋佳伦，陈健，周宇，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：