【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。