【技术实现步骤摘要】
一种基于对抗域适应的小样本SAR目标分类方法及装置
[0001]本专利技术属于雷达图像处理和目标分类领域,尤其涉及一种基于对抗域适应的小样本SAR目标分类方法及装置。
技术介绍
[0002]合成孔径雷达(Synthetic Aperture Radar,简称SAR)作为一种主动对地观测的高分辨率成像雷达,能够克服云层遮挡、能见度低等因素的影响,实现全天时全天候的对地观测,在自然灾害监测、军事侦察、资源勘探等军用和民用领域有着广泛的应用前景和发展潜力。
[0003]2012年,Krizhevesky等人提出了第一个用于图像分类的深度卷积神经网络(Convolutional Neural Networks,简称CNN)模型,即AlexNet模型,并以17.0%的top
‑
5错误率获得了当年ImageNet比赛的冠军,这标志着深度学习在图像分类领域的兴起。然而,相较于光学图像,SAR图像存在标注困难,获取代价高等问题,从而导致传统在光学图像上表现优异的深度学习模型应用于SAR图像领域时表现不佳。近年来,针对带标签SAR图像数据不足的问题,不少学者从不同方面也开展了一系列研究。2016年,Chen等人提出的A
‑
ConvNets模型,将传统CNN模型中的全连接层以及分类层全部替换为卷积层,大大减少了网络参数并缓解了由于数据有限导致的过拟合问题,通过将MSTAR训练集数据全部投入训练准确率达到了99.13%。2017年,Malmgren
‑
Hansen等人首先利用模
【技术保护点】
【技术特征摘要】
1.一种基于对抗域适应的小样本SAR目标分类方法,其特征在于,包括如下步骤:(1)重构仿真SAR图像:基于域适应模型,通过仿真SAR图像数据集与真实SAR图像数据集之间的对抗学习,进行目标特征迁移,得到与真实SAR图像分布相近的重构仿真SAR图像;(2)制作重构仿真SAR图像数据集:将步骤(1)得到的与真实SAR图像分布相近的仿真SAR图像,结合人工标注的方式制作重构仿真SAR图像数据集,其中目标类别标签与真实SAR图像的保持一致;(3)SAR图像目标分类:将步骤(2)的重构仿真SAR图像数据集和真实SAR图像一道作为卷积神经网络的输入进行训练,得到目标分类结果及精度。2.根据权利要求1所述的一种基于对抗域适应的小样本SAR目标分类方法,其特征在于,步骤(1)所述域适应模型由两个图像生成网络和两个判别网络闭环组成;所述图像生成网络包括特征提取模块和特征恢复模块,特征提取模块由数个卷积
‑
池化层组成用于初步提取输入图像的特征,紧接着六个残差块用于在加深网络的同时进一步提取图像特征;特征恢复模块由上采样层和卷积层交替组成,用于最终的输出尺寸大小与输入图像完全相同;所述判别网络包含五个卷积层,其中前四个卷积层用于提取输入数据特征,最后一个卷积层用于判别输入图像的来源,最终输出结果。3.根据权利要求1所述的一种基于对抗域适应的小样本SAR目标分类方法,其特征在于,所述步骤(1)包括以下步骤:(11)仿真SAR数据集A首先通过图像生成网络G
AB
网络得到生成图像B,即所需要的重构仿真SAR图像:通过对输入的仿真SAR数据层层学习提取得到尺寸大小为32
×
32
×
256的特征图;随后提取目标特征;在进行特征提取期间,特征图的大小始终保持为32
×
32
×
256;由第一个上采样层到最后的输出端组成了G
AB
网络的特征复原模块,通过上采样层与卷积层的交替使用,最终还原同样大小为128
×
128
×
1的重构仿真SAR图像;上采样层输出特征图尺寸为:其中,h
out
、w
out
和c
out
分别表示输出特征图的高度,宽度以及通道数;h
in
、w
in
和c
in
分别表示输入前特征图的高度,宽度以及通道数;s为上采样层的核大小;生成图像B与真实SAR图像数据集随后被送入判别网络D
B
作区分训练,卷积层所采用的激活函数为LeakyReLU:其中,x
ij
为第i行第j列处的像素值,α为一个很小的常数用于保留一些负值;通过四次卷积操作,最后一个卷积层用于判别网络D
B
的输出,输出值为0或1,其中0代表输入的图像是由仿真SAR图像数据集通过G
AB
生成的重构仿真图像,1则表示为输入的图像是真实SAR图...
【专利技术属性】
技术研发人员:毕辉,刘泽昊,张晶晶,邓佳瑞,姬忠远,
申请(专利权)人:南京航空航天大学,
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。