基于自监督学习和最近邻网络的小样本SAR目标分类方法技术

本发明专利技术涉及一种基于自监督学习和最近邻网络的小样本SAR目标分类方法，包括：从若干合成孔径雷达图像中获取训练任务集和测试任务集；构建预训练阶段网络模型；利用训练任务集对预训练阶段网络模型进行迭代训练；构建自监督训练阶段网络模型；将训练好的预训练阶段网络模型的参数加载到自监督训练阶段网络模型中，并利用训练任务集对加载后的自监督训练阶段网络模型进行迭代训练；将测试任务集输入训练好的第三特征提取模块进行特征提取，得到测试特征向量组集合；计算测试特征向量组集合中测试查询样本对应的测试特征向量和每一个测试支撑样本对应的测试特征向量的相似度，得到目标分类结果。该分类方法有效地提高了小样本目标的分类准确率。目标的分类准确率。目标的分类准确率。

【技术实现步骤摘要】
基于自监督学习和最近邻网络的小样本SAR目标分类方法


[0001]本专利技术属于雷达图像处理
，具体涉及一种基于自监督学习和最近邻网络的小样本SAR目标分类方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式的对地观测系统，可安装在飞机、卫星、宇宙飞船等飞行平台上，并具有全天时、全天候对地实施观测的优势，对地表有一定的穿透能力。因此，SAR系统在灾害监测、环境监测、海洋监测、资源勘查、测绘和军事等领域的应用上具有独特的优势，因此越来越受到广泛的关注。
[0003]SAR目标分类是一种根据不同类别的目标各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。当前主流的SAR目标分类方法可分为基于传统的分类方法和基于深度学习的分类方法。基于传统的SAR目标分类方法是基于色彩、纹理、形状、空间关系等图像特征对图像目标进行分类，通常采用人工选取特征、设计分类器，然而这往往需要依据大量的经验和较强的专业知识来针对特定目标设定特定算法，耗时长且难以推广，同时无法获得较好的分类精度。近年来随着深度学习的发展，涌现出了许多VGG、ResNet、DenseNet等一系列强大的卷积神经网络，可对SAR目标自动提取更加稳健的特征，从而取得较好的SAR目标分类结果，得到了研究人员的广泛应用。
[0004]基于深度学习的SAR目标分类方法通常需要大量的训练样本来训练模型以在测试样本上获得高的分类准确率，但是，现实中能获取的SAR图像数量较少。对于小样本SAR目标，基于深度学习的SAR目标分类方法会由于训练样本的不足出现过拟合现象，进而导致SAR目标分类准确率低。
[0005]为了解决这个问题，现有技术通过改进模型结构，设计对样本数量要求较低的特殊模型来提高小样本SAR目标的分类准确率。例如现有技术公开了一种基于混合推理网络的小样本SAR自动目标识别方法，该方法提出的基于混合推理网络的小样本学习方法克服了传统小样本学习中单独采用归纳推理或转导推理的不足，提高了识别性能；采用增强混合损失来约束嵌入网络进行学习，将样本映射到该嵌入空间，在该空间中，归纳推理和转导推理都能很好地执行；采用混合推断网络，在目标分类问题中只需要少量训练样本就能获得和传统SAR目标识别方法接近的识别正确率，在SAR图像样本有限的情况下，有效地提高了识别精度。但是，由于标记样本有限，该方法无法高度依赖嵌入网络获得更好的特征表示；模型收敛较慢，模型泛化能力较差；采用的欧几里得距离度量方式存在一定的偏差，在样本较少时，并不是很高效的度量方法。因此，该方法对SAR目标分类的精度依然较低。

技术实现思路

[0006]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于自监督学习和最近邻网络的小样本SAR目标分类方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0007]本专利技术实施例提供了一种基于自监督学习和最近邻网络的小样本SAR目标分类方
法，包括步骤：
[0008]S1、从若干合成孔径雷达图像中获取训练任务集和测试任务集，其中，所述训练任务集中每个训练任务包括训练支撑样本和训练查询样本，所述测试任务集中每个测试任务包测试支撑样本集和测试查询样本；
[0009]S2、构建预训练阶段网络模型，其中，所述预训练阶段网络模型包括依次级联的第一特征提取模块、多层感知机模块和相似度计算模块；
[0010]S3、利用所述训练任务集对预训练阶段网络模型进行迭代训练，并利用交叉熵损失函数对所述预训练阶段网络模型进行更新，得到训练好的预训练阶段网络模型；
[0011]S4、构建自监督训练阶段网络模型，其中，所述自监督训练阶段网络模型包括并联的第二特征提取模块和第三特征提取模块，所述第一特征提取模块、所述第二特征提取模块和所述第三特征提取模块的结构相同；
[0012]S5、将所述训练好的预训练阶段网络模型中所述第一特征提取模块的参数加载到所述自监督训练阶段网络模型中，并利用所述训练任务集对加载后的自监督训练阶段网络模型进行迭代训练，在训练过程中，利用负余弦相似度损失函数和自监督损失函数对所述第三特征提取模块进行更新，得到训练好的第三特征提取模块；
[0013]S6、将所述测试任务集输入到所述训练好的第三特征提取模块进行特征提取，得到测试特征向量组集合；
[0014]S7、计算所述测试特征向量组集合中所述测试查询样本对应的测试特征向量和每一个所述测试支撑样本对应的测试特征向量的相似度，得到目标分类结果。
[0015]在本专利技术的一个实施例中，所述第一特征提取模块包括依次级联的第一特征提取子模块和第二特征提取子模块，其中，
[0016]所述第一特征提取子模块包括依次级联的第一卷积层、第一批量归一化层、第一激活函数层和最大池化层；
[0017]所述第二特征提取子模块包括依次级联的第二卷积层、第二批量归一化层和第二激活函数层；
[0018]所述多层感知机模块包括全连接层。
[0019]在本专利技术的一个实施例中，所述第一卷积层和所述第二卷积层中卷积核的个数均为64，卷积核的大小均为3
×
3，步长和填充均为1；所述第一激活函数层和所述第二激活函数层均采用Leaky Relu，其参数均为0.2；所述最大池化层的池化核大小为2
×
2，步长为2。
[0020]在本专利技术的一个实施例中，步骤S3包括：
[0021]S31、初始化设置预训练阶段迭代次数、预训练阶段最大迭代次数和第n次迭代的预训练阶段网络模型；
[0022]S32、利用所述第一特征提取模块对所述每个训练任务进行特征提取，得到第一特征向量组集合；
[0023]S33、利用所述多层感知机模块将所述特征向量组集合中的每个特征映射到样本标记空间，得到第二特征向量组集合；
[0024]S34、利用所述相似度计算模块计算所述第二特征向量组集合中所述训练查询样本对应的特征向量与每个所述训练支撑样本对应的特征向量的相似度，得到相似度得分集；
[0025]S35、采用交叉熵损失函数计算每次迭代过程中所述预训练阶段网络模型的第一损失值，并采用梯度下降法将所述第一损失值对第一权值参数的偏导在所述预训练阶段网络模型中进行反向传播，以对所述第一权值参数进行更新，得到更新后的第一权值参数；
[0026]S36、判断迭代是否完成，若是，则得到所述训练好的预训练阶段网络模型；若否，则继续进行迭代训练。
[0027]在本专利技术的一个实施例中，利用所述相似度计算模块计算相似度的公式为：
[0028][0029][0030]其中，表示与之间的相似度得分，表示支撑样本依次经过第一特征提取模块D和多层感知机模块E得到的特征向量，表示查询样本经过特征提取模块D和多层感知机模块E得到的特征向量，m表示支撑特征向量被划分的局部描述子的个数，z表示查询特征向量被划分的局部描述子的个数，x
i...

【技术保护点】

【技术特征摘要】
1.一种基于自监督学习和最近邻网络的小样本SAR目标分类方法，其特征在于，包括步骤：S1、从若干合成孔径雷达图像中获取训练任务集和测试任务集，其中，所述训练任务集中每个训练任务包括训练支撑样本和训练查询样本，所述测试任务集中每个测试任务包测试支撑样本集和测试查询样本；S2、构建预训练阶段网络模型，其中，所述预训练阶段网络模型包括依次级联的第一特征提取模块、多层感知机模块和相似度计算模块；S3、利用所述训练任务集对预训练阶段网络模型进行迭代训练，并利用交叉熵损失函数对所述预训练阶段网络模型进行更新，得到训练好的预训练阶段网络模型；S4、构建自监督训练阶段网络模型，其中，所述自监督训练阶段网络模型包括并联的第二特征提取模块和第三特征提取模块，所述第一特征提取模块、所述第二特征提取模块和所述第三特征提取模块的结构相同；S5、将所述训练好的预训练阶段网络模型中所述第一特征提取模块的参数加载到所述自监督训练阶段网络模型中，并利用所述训练任务集对加载后的自监督训练阶段网络模型进行迭代训练，在训练过程中，利用负余弦相似度损失函数和自监督损失函数对所述第三特征提取模块进行更新，得到训练好的第三特征提取模块；S6、将所述测试任务集输入到所述训练好的第三特征提取模块进行特征提取，得到测试特征向量组集合；S7、计算所述测试特征向量组集合中所述测试查询样本对应的测试特征向量和每一个所述测试支撑样本对应的测试特征向量的相似度，得到目标分类结果。2.根据权利要求1所述的基于自监督学习和最近邻网络的小样本SAR目标分类方法，其特征在于，所述第一特征提取模块包括依次级联的第一特征提取子模块和第二特征提取子模块，其中，所述第一特征提取子模块包括依次级联的第一卷积层、第一批量归一化层、第一激活函数层和最大池化层；所述第二特征提取子模块包括依次级联的第二卷积层、第二批量归一化层和第二激活函数层；所述多层感知机模块包括全连接层。3.根据权利要求2所述的基于自监督学习和最近邻网络的小样本SAR目标分类方法，其特征在于，所述第一卷积层和所述第二卷积层中卷积核的个数均为64，卷积核的大小均为3
×
3，步长和填充均为1；所述第一激活函数层和所述第二激活函数层均采用Leaky Relu，其参数均为0.2；所述最大池化层的池化核大小为2
×
2，步长为2。4.根据权利要求2所述的基于自监督学习和最近邻网络的小样本SAR目标分类方法，其特征在于，步骤S3包括：S31、初始化设置预训练阶段迭代次数、预训练阶段最大迭代次数和第n次迭代的预训练阶段网络模型；S32、利用所述第一特征提取模块对所述每个训练任务进行特征提取，得到第一特征向量组集合；S33、利用所述多层感知机模块将所述特征向量组集合中的每个特征映射到样本标记
空间，得到第二特征向量组集合；S34、利用所述相似度计算模块计算所述第二特征向量组集合中所述训练查询样本对应的特征向量与每个所述训练支撑样本对应的特征向量的相似度，得到相似度得分集；S35、采用交叉熵损失函数计算每次迭代过程中所述预训练阶段网络模型的第一损失值，并采用梯度下降法将所述第一损失值对第一权值参数的偏导在所述预训练阶段网络模型中进行反向传播，以对所述第一权值参数进行更新，得到更新后的第一权值参数；S36、判断迭代是否完成，若是，则得到所述训练好的预训练阶段网络模型；若否，则继续进行迭代训练。5.根据权利要求4所述的基于自监督学习和最近邻网络的小样本SAR目标分类方法，其特征在于，利用所述相似度计算模块计算相似度的公式为：征在于，利用所述相似度计算模块计算相似度的公式为：其中，表示与之间的相似度得分，表示支撑样本依次...

【专利技术属性】
技术研发人员：李明，郑佳，张澍，吴艳，张鹏，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：