一种基于递归设计的轻量级小样本雷达目标识别方法技术

本发明专利技术公开了一种基于递归设计的轻量级小样本雷达目标识别方法，首先在训练阶段，将少量带标签样本输入到网络中，其特征图通过由深度可分离卷积和协调注意力机制组成的轻量级多级交叉融合CNN，利用聚类间距离的损失构建特征嵌入空间和训练特征嵌入网络，再利用LM

【技术实现步骤摘要】
一种基于递归设计的轻量级小样本雷达目标识别方法


[0001]本专利技术属于雷达图像目标识别领域，具体涉及一种基于递归设计的轻量级小样本雷达目标识别方法。

技术介绍

[0002]在遥感图像处理中，成像雷达微波遥感探测的主要信息是目标与微波波段电磁波相互作用后反射的微波信息。因此，雷达图像包含目标物体的形状和散射信息，可以很好的表示目标特征信息。合成孔径雷达(synthetic aperture radar，SAR)是一种重要的微波遥感系统，其具有采集全天候和昼夜高分辨率图像的优点，SAR自动目标识别(automatic target recognition，ATR)技术是SAR应用中十分关键的挑战之一。因此，SAR ATR在民用领域的应用具有重要的意义。
[0003]深度卷积神经网络(Convolutional Neural Network，CNN)因其强大的特征学习能力，在SAR ATR领域中取得了一定进展。但是，此类方法需要大量的标记数据集来训练模型，而大多数SAR图像数据集是未标记或稀疏标记的，这会造成训练深层网络时的过度拟合。文献“Chen，Sizhe，et al."Target classification using the deep convolutional networks for SAR images."IEEE Transactions on Geoscience and Remote Sensing 54.8(2016)：4806
‑
4817”中提出了一种全卷积网络，将所有全连接层替换为卷积层。该方法通过减少模型参数来减少过度拟合，但是，其识别性能随着减少标记的训练样本而显著降低。由于SAR图像相较于光学图像更难以获得，且手动标记SAR图像数据耗时耗力，小样本训练学习提升SAR ATR性能至关重要。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出了一种基于递归设计的轻量级小样本雷达目标识别方法。
[0005]本专利技术的技术方案为：一种基于递归设计的轻量级小样本雷达目标识别方法，具体步骤如下：
[0006]步骤一、在训练阶段，少量带标签样本输入到网络中，其特征图通过由深度可分离卷积和协调注意力机制组成的轻量级多级交叉融合CNN；
[0007]步骤二、利用聚类间距离的损失构建特征嵌入空间和训练特征嵌入网络；
[0008]步骤三、利用LM
‑
SoftMax提升分类器和训练最后几个卷积层；
[0009]步骤四、通过聚类间距离的损失和LM
‑
SoftMax的损失组合交替双损失更新网络，进一步优化网络，从而实现目标识别。
[0010]本专利技术的有益效果：本专利技术的方法首先在训练阶段，将少量带标签样本输入到网络中，其特征图通过由深度可分离卷积和协调注意力机制组成的轻量级多级交叉融合CNN，利用聚类间距离的损失构建特征嵌入空间和训练特征嵌入网络，再利用LM
‑
SoftMax提升分类器和训练最后几个卷积层，最后通过聚类间距离的损失和LM
‑
SoftMax的损失组合交替双
损失更新网络，进一步优化网络，从而实现目标识别。本专利技术的方法可以有效利用双损失交替优化的方式，学习鉴别类别间与类别内的有效特征，在小样本背景下实现雷达目标精确识别，与其他小样本目标识别方法相比，可以有效地提高小样本情况下的网络识别精度和鲁棒性。
附图说明
[0011]图1为本专利技术的一种基于递归设计的轻量级小样本雷达目标识别方法的流程图。
[0012]图2为本专利技术实施例中的轻量级多级交叉融合CNN示意图。
[0013]图3为本专利技术实施例中网络中的协调注意力机制操作图。
[0014]图4为本专利技术实施例中网络中的深度可分离卷积操作图。
具体实施方式
[0015]下面结合附图进一步说明本专利技术的技术方案。
[0016]如图1所示，本专利技术的一种基于递归设计的轻量级小样本雷达目标识别方法流程图，具体步骤如下：
[0017]步骤一、在训练阶段，少量带标签样本输入到网络中，其特征图通过由深度可分离卷积和协调注意力机制组成的轻量级多级交叉融合CNN，
[0018]受限小样本训练，网络的深度和宽度面临着特征有效性和参数数量之间的权衡。本实施例中采用轻量级多级交叉融合CNN，如图2所示，轻量级提取器是一个自下而上的途径，与普通卷积层相比，具有更多的特征有效性和更少的参数。轻量级提取器的结构是通过堆叠深度可分离卷积而构建的，对于CNN提取的特征，不同类别目标的关键特征分布在这些特征的不同层级中，多级交叉融合自适应地将多级特征成对融合，以提高分类器的有效输入，减少后续网络的参数数量，可以显著地提高小样本学习中标签识别分类器的特征密度。在轻量级结构中促进特征有效性似乎是一个悖论，采用协调注意力机制来捕捉空间上的长距离相互作用，以较少的参数进行深度可分离卷积。
[0019]协调注意力机制可以促进各层提取特征的有效性，使网络初步集中在重要的目标特征上，同时抑制不必要的特征，通过两个步骤对信道和位置信息进行编码：
[0020]如图3所示，首先，协调注意力将全局集合分解为一对一维的特征编码操作，然后将这些特征与两个空间方向串联起来，并将其发送到一个共享的1
×
1卷积变换函数，该函数带有批量归一化和非线性激活函数，以及两个单独的1
×
1卷积变换函数，以更准确地定位和识别感兴趣的物体。
[0021]深度可分离卷积可以在卷积层中解耦通道和空间维度之间的相关性，并对其进行单独映射，从而以比普通卷积更少的参数达到更好的效果。这意味着，深度可分离卷积可以与协调注意力机制共同工作，进一步促进提取特征的有效性。如图4所示，深度可分离卷积有深度可分卷积和点可分卷积这两个步骤。
[0022]步骤二、聚类间距离的损失用于构建特征嵌入空间和训练特征嵌入网络，
[0023]本实施例中，所述步骤二的目的是利用特征的区分，加强类内特征的聚集和类间特征的分离，引入相互特征的概念，指同一个目标类型的SAR图像之间的共同特征，设一个有N个样本和K个类别的分类识别任务，利用主成分分析(principal component analysis，
PCA)技术从展平特征图中提取第k类目标的相互特征m
k
，对于所有第k类目标中的样本{x1,x2,...,x
i
}，采用欧式距离来计算其中一个样本x
i
和相互特征m
k
之间的距离，可表示为：
[0024]d(x
i
,m
k
)＝||ζ(x
i
)
‑
m
k
||2ꢀꢀꢀ
(1)
[0025]其中，||
·
||2表示L2范数操作，ξ(
·
)表示展平特征图在PCA操作后的输出。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于递归设计的轻量级小样本雷达目标识别方法，具体步骤如下：步骤一、在训练阶段，少量带标签样本输入到网络中，其特征图通过由深度可分离卷积和协调注意力机制组成的轻量级多级交叉融合CNN；步骤二、利用聚类间距离的损失构建特征嵌入空间和训练特征嵌入网络；步骤三、利用LM
‑
SoftMax提升分类器和训练最后几个卷积层；步骤四、通过聚类间距离的损失和LM
‑
SoftMax的损失组合交替双损失更新网络，进一步优化网络，从而实现目标识别。2.根据权利要求1所述的一种基于递归设计的轻量级小样本雷达目标识别方法，其特征在于，所述步骤二中：设一个有N个样本和K个类别的分类识别任务，利用主成分分析(principal component analysis，PCA)技术从展平特征图中提取第k类目标的相互特征m
k
，对于所有第k类目标中的样本{x1,x2,...,x
i
}，采用欧式距离来计算其中一个样本x
i
和相互特征m
k
之间的距离，可表示为：d(x
i
,m
k
)＝||ζ(x
i
)
‑
m
k
||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，||
·
||2表示L2范数操作，ξ(
·
)表示展平特征图在PCA操作后的输出；不同目标类别m
k
和m
l
的相互特征间的欧氏距离可以由式(2)计算所得：d
′
(m
k
,m
l
)＝
‑
||m
k
‑
m
l
||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，m
l
指第l类目标的相互特征；则用于鉴别特征的聚类间距离的损失可以由式(3)计算：其中，m
i
指第i类目标的相互特征，指第k类目标中的第i个样本。3.根据权利要求1所述的一种基于递归设计的轻量级小样本...

【专利技术属性】
技术研发人员：黄钰林，裴季方，王陈炜，刘小钰，杨建宇，张寅，杨海光，张永超，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：