一种基于对抗域适应的小样本SAR目标分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于对抗域适应的小样本SAR目标分类方法及装置，首先，利用域适应模型使仿真SAR数据集与实际数据集进行对抗训练；然后，利用重构仿真SAR图像结合人工标注的方式制作辅助数据集；最后，将得到的重构仿真SAR图像与少量的真实SAR图像一起作为卷积神经网络的输入，输出得到目标分类的结果及准确率。本发明专利技术采用的基于对抗学习的域适应方法不仅可以大幅缩小仿真SAR图像与真实SAR图像的分布差异，而且可以作为小样本条件下目标信息不足的补充，为后续卷积神经网络的训练提供保障；本发明专利技术充分考虑了实际情况下带标签SAR图像不足的现实需求与该方法的可行性，在样本数量大幅减小的同时，可以获得较好的目标分类精度。度。度。

【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等人首先利用模拟数据集训练传统的浅层CNN模型，然后通过冻结
‑
微调的方式将预训练的网络模型用于真实SAR图像训练，实验结果表明，在不同数据比例的情况下，迁移学习能够帮助网络实现更快的拟合与更高的准确率。2020年，Huang等人深入探讨了如何有效地将深度CNN模型迁移至SAR图像各类任务中，并提出了一种多源域数据传递方法用于减小源域数据与目标域数据之间的差异，通过在OpenSARShip数据集上的实验证明了迁移的效果取决于源域与目标域数据间的差异程度，差异越小，迁移效果越好。2021年，Guo等人分析了光学数据到SAR数据进行跨域学习的可行性，将迁移学习的思想用于SAR目标检测，通过在经典检测网络Faster R
‑
CNN模型中添加域适应模块，实现了在有监督情况下光学数据到SAR数据的跨域学习。
[0004]本专利技术提出的基于对抗域适应的小样本SAR目标分类方法，充分考虑了现实情况下带标签真实SAR图像数量极度缺少的严苛条件，在实验中将每类样本的数量最少减至10以下，在保证目标分类精度的同时，为小样本学习提供了一种全新的思路。

技术实现思路

[0005]专利技术目的：本专利技术的目的是提供一种基于对抗域适应的小样本SAR目标分类方法及装置，通过对抗域适应的方式首先减小二者之间的差异，其次通过重构的仿真SAR图像辅助少量真实SAR图像的学习，提升小样本下目标分类精度。
[0006]技术方案：本专利技术提供了一种基于对抗域适应的小样本SAR目标分类方法，包括以下步骤：
[0007](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；
[0008](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；
[0009](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。
[0010]进一步地，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。
[0011]进一步地，所述步骤(1)包括以下步骤：
[0012](11)仿真SAR数据集A首先通过图像生成网络网络得到生成图像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GAB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：
[0013][0014]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；
[0015]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：
[0016][0017]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图像，通过均方误差衡量二者的差异程度：
[0018][0019]其中，N
B
为真实数据集B的样本数量，x
i
表示真实数据集B中的第i个样本，则为其对应的重构仿真样本，通过多轮的迭代训练指导G
AB
网络生成更加逼近真实SAR图像的重构
仿真SAR图像；
[0020](12)为了加快减小仿真SAR图像数据集A与真实SAR图像数据集B间的分布差异，真实SAR图像也会通过G
BA
与判别网络D
A
学习仿真SAR图像的目标特征；
[0021](13)采用一致性损失函数作为约束条件添加进域适应网络模型中：
[0022]L
consis
＝E[||G
BA
(G
AB
(x
a
))
‑
x...

【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：