基于角度特征分离和保留的增量小样本SAR目标识别方法技术

本申请涉及一种基于角度特征分离和保留的增量小样本SAR目标识别方法。所述方法包括：通过基础训练和增量训练得到训练好的最终骨干网络，根据最终骨干网络对待识别样本和所有保存样本集进行特征提取，根据样本角度最近邻准则对特征提取结果进行比较，得到待识别样本的预测目标识别结果；其中，在增量训练中引入了包括余弦归一化损失、边缘特征分离损失以及相关特征保留损失三种角度特征损失，并在每次的增量训练过程中采用角度排序样本选择策略来保存代表性样本。采用本方法能够在目标信息少的情况下，充分考虑目标类间相似性和类内差异性和背景干扰复杂等因素，提高SAR图像目标的增量小样本识别能力。的增量小样本识别能力。的增量小样本识别能力。

【技术实现步骤摘要】
基于角度特征分离和保留的增量小样本SAR目标识别方法


[0001]本申请涉及图像处理
，特别是涉及一种基于角度特征分离和保留的增量小样本SAR目标识别方法。

技术介绍

[0002]作为合成孔径雷达(SAR)图像解译中的一个长期的、基础的和具有挑战性的问题，SAR自动目标识别在军事侦察监视、边境安全等广泛的民用和军事应用中发挥着不可或缺的作用，近几十年来一直是人们研究的热点。近年来，随着SAR成像技术的快速发展，高分辨率的SAR图像数量呈指数级增长，为细粒度的SAR目标识别任务提供了越来越多的研究机会。包括传统的和最新的深度学习方法在内的许多工作，都致力于研究SAR自动目标识别问题，并已经取得了极大的进展。然而，对于SAR自动目标识别问题而言，道阻且长。
[0003]在过去的两年中，基于增量小样本学习(FSCIL)的目标识别问题引起了人们的广泛关注，增量小样本学习旨在解决从极少的标记样本中增量化地识别新类，且不忘记之前学过的类别的问题。对于许多现实场景的应用而言，模型可能会遇到在初始训练中不存在的新类，并且为新类收集许多标注的样本通常成本很高，这是一个非常现实但又具有挑战性的问题。尤其对于实际应用中的合成孔径雷达自动目标识别系统(SAR ATR)来说，该问题亟待解决。由于SAR图像的特殊性，只有SAR专家才能对其进行标注，特别是在非合作条件下，获取SAR图像中目标标注的代价非常昂贵的，。因此，对于SAR ATR系统能够在不显著降低旧类识别精度的前提下，从非常有限的标记样本中增量地识别新类的需求是极为迫切的。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种基于角度特征分离和保留的增量小样本SAR目标识别方法。
[0005]一种基于角度特征分离和保留的增量小样本SAR目标识别方法，所述方法包括：
[0006]将基类数据集输入包括骨干网络和基类分类器的基础模型进行处理，得到基类目标识别结果，根据基类目标识别结果计算得到余弦归一化损失，根据余弦归一化损失对基础模型进行训练，得到训练好的骨干网络和基类分类器；
[0007]根据角度排序样本选择策略将基类数据集中的代表性样本进行保存，得到保存样本集，将保存样本集与新类别数据集进行组合，得到增量数据集；
[0008]将增量数据集输入包括骨干网络和增量分类器的增量模型进行处理，得到增量目标识别结果，根据增量目标识别结果计算得到角度特征损失，根据角度特征损失对增量模型进行训练，得到训练好的骨干网络以及增量分类器；其中，角度特征损失包括余弦归一化损失、边缘特征分离损失以及相关特征保留损失；
[0009]重复训练增量模型直至得到训练好的最终骨干网络，根据最终骨干网络对待识别样本和所有保存样本集进行特征提取，根据样本角度最近邻准则对特征提取结果进行比
较，得到待识别样本的预测目标识别结果。
[0010]在其中一个实施例中，将基类数据集输入包括骨干网络和基类分类器的基础模型进行处理，得到基类目标识别结果，包括：
[0011]将基类数据集输入包括骨干网络和基类分类器的基础模型进行处理，其中，基类数据集包括多对基类数据集样本以及对应的标签；
[0012]根据骨干网络对基类数据集样本进行特征提取，得到基类数据集样本的嵌入特征；
[0013]根据基类分类器对基类数据集样本的嵌入特征进行分类，得到基类目标识别结果。
[0014]在其中一个实施例中，根据基类目标识别结果计算得到余弦归一化损失，根据余弦归一化损失对基础模型进行训练，得到训练好的骨干网络和基类分类器，包括：
[0015]对基类目标识别结果进行计算，得到余弦归一化损失，表示为
[0016][0017][0018]其中，y
i
表示第i个基类数据集样本x
i
对应的标签，p(c
i
|x)表示基类数据集样本x属于第i个类别c
i
的概率，表示基类数据集样本x的归一化嵌入特征，η(x)表示基类数据集样本x的嵌入特征，表示类别c
i
对应的原型特征，表示第j个类别c
j
对应的原型特征，C表示类别总数，γ为超参数；
[0019]根据余弦归一化损失L
CN
对基础模型进行训练，得到训练好的骨干网络和基类分类器。
[0020]在其中一个实施例中，根据角度排序样本选择策略将基类数据集中的代表性样本进行保存，得到保存样本集，将保存样本集与新类别数据集进行组合，得到增量数据集，包括：
[0021]根据角度排序样本选择策略对基类数据集中的代表性样本进行保存，得到保存样本集，其中，保存样本集中第i个样本e
i
的选择方式为
[0022][0023]其中，D1表示基类数据集，k表示保存样本集样本的数量，η(e
i
)表示保存样本集样本的嵌入特征，η(x
j
)表示基类数据集中第j个基类数据集样本x
j
的嵌入特征，p
y
表示类别y的原型特征；
[0024]将保存样本集与新类别数据集进行组合，得到增量数据集。
[0025]在其中一个实施例中，将增量数据集输入包括骨干网络和增量分类器的增量模型
个增量阶段保存样本集样本e
i
的嵌入特征，η
t
(e
i
)表示第t个增量阶段保存样本集样本e
i
的嵌入特征。
[0047]在其中一个实施例中，根据最终骨干网络对待识别样本和所有保存样本集进行特征提取，根据样本角度最近邻准则对特征提取结果进行比较，得到待识别样本的预测目标识别结果，包括：
[0048]根据最终骨干网络对待识别样本和所有保存样本集进行特征提取，分别得到待识别样本的归一化嵌入特征和所有保存样本集的嵌入特征；
[0049]根据样本角度最近邻准则将待识别样本的归一化嵌入特征和所有保存样本集的嵌入特征进行比较，得到待识别样本的预测目标识别结果的类别标签y
*
，表示为
[0050][0051]其中，表示待识别样本x
′
的归一化嵌入特征，η(p)表示保存样本集中属于类别y的样本的嵌入特征，代表类别y的归一化原型，P
y
代表属于类别y的样本集合，p为从样本集合P
y
中所选取的某一样本。
[0052]上述基于角度特征分离和保留的增量小样本SAR目标识别方法，通过在基础模型的训练中引入余弦归一化损失来学习不同类别的泛化特征和特异性特征，得到训练好的骨干网络和基类分类器，可以提高模型对不同类别的区分能力，并强化对异常特征值和背景干扰的鲁棒性；在增量模型的训练阶段，通过引入包括余弦归一化损失、边缘特征分离损失以及相关特征保留损失的角度特征损失对模型进行训练，从而缓解模型对旧知识的灾难性遗忘以及对新旧知识表示不准确问题，同时，通过在每次的增量模型训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于角度特征分离和保留的增量小样本SAR目标识别方法，其特征在于，所述方法包括：将基类数据集输入包括骨干网络和基类分类器的基础模型进行处理，得到基类目标识别结果，根据所述基类目标识别结果计算得到余弦归一化损失，根据所述余弦归一化损失对所述基础模型进行训练，得到训练好的骨干网络和基类分类器；根据角度排序样本选择策略将所述基类数据集中的代表性样本进行保存，得到保存样本集，将所述保存样本集与新类别数据集进行组合，得到增量数据集；将所述增量数据集输入包括骨干网络和增量分类器的增量模型进行处理，得到增量目标识别结果，根据所述增量目标识别结果计算得到角度特征损失，根据所述角度特征损失对所述增量模型进行训练，得到训练好的骨干网络以及增量分类器；其中，所述角度特征损失包括余弦归一化损失、边缘特征分离损失以及相关特征保留损失；重复训练所述增量模型直至得到训练好的最终骨干网络，根据所述最终骨干网络对待识别样本和所有所述保存样本集进行特征提取，根据样本角度最近邻准则对特征提取结果进行比较，得到所述待识别样本的预测目标识别结果。2.根据权利要求1所述的方法，其特征在于，将基类数据集输入包括骨干网络和基类分类器的基础模型进行处理，得到基类目标识别结果，包括：将所述基类数据集输入包括骨干网络和基类分类器的基础模型进行处理，其中，所述基类数据集包括多对基类数据集样本以及对应的标签；根据所述骨干网络对所述基类数据集样本进行特征提取，得到所述基类数据集样本的嵌入特征；根据所述基类分类器对所述基类数据集样本的嵌入特征进行分类，得到基类目标识别结果。3.根据权利要求1所述的方法，其特征在于，根据所述基类目标识别结果计算得到余弦归一化损失，根据所述余弦归一化损失对所述基础模型进行训练，得到训练好的骨干网络和基类分类器，包括：对所述基类目标识别结果进行计算，得到所述余弦归一化损失，表示为对所述基类目标识别结果进行计算，得到所述余弦归一化损失，表示为其中，y
i
表示第i个基类数据集样本x
i
对应的标签，p(c
i
|x)表示基类数据集样本x属于第i个类别c
i
的概率，表示基类数据集样本x的归一化嵌入特征，η(x)表示基类数据集样本x的嵌入特征，表示类别c
i
对应的原型特征，表示第j个类别c
j
对应的原型特征，C表示类别总数，γ为超参数；根据所述余弦归一化损失L
CN
对所述基础模型进行训练，得到训练好的骨干网络和基类
分类器。4.根据权利要求1所述的方法，其特征在于，根据角度排序样本选择策略将所述基类数据集中的代表性样本进行保存，得到保存样本集，将所述保存样本集与新类别数据集进行组合，得到增量数据集，包括：根据角度排序样本选择策略对所述基类数据集中的代表性样本进行保存，得到保存样本集，其中，所述保存样本集中第i个样本e
i
的选择方式为其中，D1表示所述基类数据集，k表示所述保存样本集样本的数量，η(e
i
)表示样本e
i
的嵌入特征，η(x
j
)表示所述基类数据集中第j个基类数据集样本x
j
的嵌入特征，p
y
表示类别y的原型特征；将所述保存样本集与新类别数据集进行组合，得到增量数据集。5.根据权利要求1至4任意一项所述的方法，其特征在于，将所述增量数据集输入包括骨干网络和增量分类器的增量模型进行处理之前，还包括：通过原型初始化策略对所述新类别数据集中的新类别样本进行计算，得到所述新类别数据集中各类别的原型，根据各类别原型对所述增量分类器的权重进行初始化处理，得到初始化增量分类器。6.根据权利要求1所述的方法，其特征在于，将所述增量数据集输入包括骨干网络和增量分类器的增量模型进行处理，得到增量目标识别结果，包括：将所述增量数据集输入包括骨干网络和初始化增量分类器的增量模型进行处理；根据所述骨干网络对增量数据集样本进行特征提取，得到所述增量数据集样本的嵌入特征；根据初始化...

【专利技术属性】
技术研发人员：赵凌君，赵琰，杨玉婷，张思乾，雷琳，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：