基于半监督的SAR图像目标识别方法技术

本发明专利技术具体涉及基于半监督的SAR图像目标识别方法，包括：通过经过训练的目标识别模型生成待识别SAR图像的目标预测值；训练目标识别模型时：首先获取用于训练的有标签图像和无标签图像并输入特征融合网络中，并基于有标签预测值计算有监督损失；然后对无标签图像进行弱增强和强增强并分别输入特征融合网络中，输出弱增强预测值和强增强预测值；随后基于弱增强预测值生成对应的正伪标签和负伪标签并计算无监督损失；再基于预设的置信阈值和相似阈值选取对应的无标签图像对来计算相似伪标签损失；最后通过有监督损失、无监督损失和相似伪标签损失联合训练目标识别模型。本发明专利技术能够提高SAR目标识别的准确率和有效性。提高SAR目标识别的准确率和有效性。提高SAR目标识别的准确率和有效性。

【技术实现步骤摘要】
基于半监督的SAR图像目标识别方法


[0001]本专利技术涉及雷达目标识别
，具体涉及基于半监督的SAR图像目标识别方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)的特点是分辨率高，可以全天候的工作，可以在能见度很低的气象条件下非常高效地得到分辨率较高的图像。在识别伪装和穿透掩盖物方面有相当优越的效果，因此经过多年的研究和发展，SAR图像目标识别已经在军、民用领域有了广泛地应用，并且已经出现很多性能优秀的目标识别方法。
[0003]针对SAR图像目标识别的问题，公开号为CN110516525A的中国专利公开了《基于GAN和SVM的SAR图像目标识别方法》，其基于训练得到的DRGAN模型对输入SAR图像进行方位角归一化变换，然后基于方位角归一化后的SAR图像作为训练样本提取灰度特征，训练SVM分类器；对测试样本进行同样的方位角归一化变换，采用训练得到的SVM分类器进行分类。
[0004]上述现有方案是通过有监督的方式训练分类模型(目标识别模块)，其在训练时需要获取大规模高质量的SAR图像并需要为SAR图像加注可靠的类别标签。然而，人工标注可靠标签的代价十分昂贵，使得实际应用中有标签图像是极度缺乏的，此时有监督训练的方式会受到极大的限制，因为少量的有标签图像使得分类模型很难有效的对其它无标签样本进行识别，即无法保证SAR目标识别的有效性。同时，现有其他方案虽然也有采用半监督或无监督方式训练目标识别模型的方案，但其未有效提取有标签图像和无标签图像的信息，进而导致SAR目标识别的准确率不高。因此，如何设计一种能够提高SAR目标识别准确率和有效性的方法是亟需解决的技术问题。

技术实现思路

[0005]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种基于半监督的SAR图像目标识别方法，以能够充分提取有标签图像和无标签图像的信息，并且能够在有标签图像极度缺乏的情况下保证识别精度，从而能够提高SAR目标识别的准确率和有效性。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]基于半监督的SAR图像目标识别方法，包括：
[0008]S1：获取待识别的SAR图像；
[0009]S2：将待识别的SAR图像输入经过训练的目标识别模型中，输出对应的目标预测值；
[0010]训练目标识别模型时：首先获取用于训练的有标签图像和无标签图像；其次将有标签图像输入特征融合网络，输出对应的有标签预测值，并基于有标签预测值计算有监督损失；然后对无标签图像进行弱增强和强增强，得到对应的弱增强图像和强增强图像；进而分别将弱增强图像和强增强图像输入特征融合网络，输出对应的弱增强预测值和强增强预
测值；随后基于弱增强预测值生成对应的正伪标签和负伪标签，进而基于强增强预测值以及正伪标签和负伪标签计算无监督损失；再基于预设的置信阈值和相似阈值选取对应的无标签图像对来计算相似伪标签损失；最后通过有监督损失、无监督损失和相似伪标签损失联合训练目标识别模型；
[0011]S3：将目标识别模型输出的目标预测值作为待识别SAR图像的目标识别结果。
[0012]优选的，步骤S2中，特征融合网络包括基于卷积网络WRN28
‑
2的骨干网络以及基于方向梯度直方图算法的灰度特征提取网络。
[0013]优选的，特征融合网络通过如下步骤生成预测值：
[0014]S201：将图像输入骨干网络中，提取对应的高层语义特征；
[0015]S202：将图像输入灰度特征提取网络中，提取对应的目标灰度特征；
[0016]S203：将高层语义特征和目标灰度特征进行信息融合，生成对应最终图像特征；
[0017]S204：将最终图像特征输入全连接层中进行预测分类，并经过Softmax激活函数，生成对应的预测分类。
[0018]优选的，步骤S202中，灰度特征提取网络首先将图像分成一定尺寸的连通区域；然后采集各个连通区域中各像素点的梯度或边缘的方向直方图；最后组合各个连通区域中的直方图并进行特征描述，得到对应的目标灰度特征。
[0019]优选的，步骤S2中，通过随机裁剪和随机水平翻转处理的方式实现无标签图像的弱增强；通过RandAugment处理的方式实现无标签图像的强增强。
[0020]优选的，步骤S2中，通过如下步骤生成正伪标签和负伪标签：
[0021]S211：对弱增强预测值进行锐化处理；
[0022]S212：判断锐化处理后的弱增强预测值是否大于设置的置信度阈值：若是，则进入步骤S213；否则，进入步骤S213；
[0023]S213：通过argmax函数处理弱增强预测值，生成对应的正伪标签；
[0024]S214：通过argmin函数处理弱增强预测值，生成对应的负伪标签。
[0025]优选的，步骤S211中，通过如下公式对弱增强预测值进行锐化处理：
[0026][0027]式中：T表示超参数，当T
→
0时，Sharpen(p,T)的输出接近one
‑
hot分布；p表示增强的分类预测值平均。
[0028]优选的，步骤S2中，通过如下公式计算无监督交叉熵损失：
[0029][0030]式中：表示无监督损失；B表示每个批次有标签图像的数量；μ表示训练样本中无标签图像与有标签图像的比例；和p
m
(
·
)表示随机函数；τ表示置信阈值；u
b
表示无标签图像，b∈1,...,B；q
b
表示无标签图像的预测概率，表示伪标签，H(
·
)表示交叉熵函数。
[0031]优选的，步骤S2中，通过如下步骤计算相似伪标签损失：
[0032]S221：对无标签图像进行弱增强后输入特征融合网络，并基于输出的弱增强预测
值生成对应的伪标签；
[0033]S222：将选择置信度超过置信阈值的伪标签q
l
作为锚点；
[0034]S223：将伪标签q
l
与其他无标签图像的伪标签进行重叠并计算相似度，进而选择出与伪标签q
l
的相似度大于相似阈值的伪标签q
r
；
[0035]S224：将伪标签q
l
和q
r
的无标签图像l和r作为无标签图像对(l,r)，进而对无标签图像对(l,r)进行强增强后输入特征融合网络，输出对应的强增强预测值v
l
和v
r
；
[0036]S225：通过如下公式计算相似伪标签损失；
[0037][0038]式中：表示相似伪标签损失；K
′
表示弱增强图像的数量；B表示每个批次有标签图像的数量；τ
c
和τ
s
分别表示预设的置信度阈值和相似度阈值；q本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于半监督的SAR图像目标识别方法，其特征在于，包括：S1：获取待识别的SAR图像；S2：将待识别的SAR图像输入经过训练的目标识别模型中，输出对应的目标预测值；训练目标识别模型时：首先获取用于训练的有标签图像和无标签图像；其次将有标签图像输入特征融合网络，输出对应的有标签预测值，并基于有标签预测值计算有监督损失；然后对无标签图像进行弱增强和强增强，得到对应的弱增强图像和强增强图像；进而分别将弱增强图像和强增强图像输入特征融合网络，输出对应的弱增强预测值和强增强预测值；随后基于弱增强预测值生成对应的正伪标签和负伪标签，进而基于强增强预测值以及正伪标签和负伪标签计算无监督损失；再基于预设的置信阈值和相似阈值选取对应的无标签图像对来计算相似伪标签损失；最后通过有监督损失、无监督损失和相似伪标签损失联合训练目标识别模型；S3：将目标识别模型输出的目标预测值作为待识别SAR图像的目标识别结果。2.如权利要求1所述的基于半监督的SAR图像目标识别方法，其特征在于：步骤S2中，特征融合网络包括基于卷积网络WRN28
‑
2的骨干网络以及基于方向梯度直方图算法的灰度特征提取网络。3.如权利要求2所述的基于半监督的SAR图像目标识别方法，其特征在于：特征融合网络通过如下步骤生成预测值：S201：将图像输入骨干网络中，提取对应的高层语义特征；S202：将图像输入灰度特征提取网络中，提取对应的目标灰度特征；S203：将高层语义特征和目标灰度特征进行信息融合，生成对应最终图像特征；S204：将最终图像特征输入全连接层中进行预测分类，并经过Softmax激活函数，生成对应的预测分类。4.如权利要求3所述的基于半监督的SAR图像目标识别方法，其特征在于：步骤S202中，灰度特征提取网络首先将图像分成一定尺寸的连通区域；然后采集各个连通区域中各像素点的梯度或边缘的方向直方图；最后组合各个连通区域中的直方图并进行特征描述，得到对应的目标灰度特征。5.如权利要求1所述的基于半监督的SAR图像目标识别方法，其特征在于：步骤S2中，通过随机裁剪和随机水平翻转处理的方式实现无标签图像的弱增强；通过RandAugment处理的方式实现无标签图像的强增强。6.如权利要求1所述的基于半监督的SAR图像目标识别方法，其特征在于：步骤S2中，通过如下步骤生成正伪标签和负伪标签：S211：对弱增强预测值进行锐化处理；S212：判断锐化处理后的弱增强预测值是否大于设置的置信度阈值：若是，则进入步骤S213；否则，进入步骤S213；S213：通过argmax函数处理弱增强预测值，生成对应的正伪标签；S214：通过argmin函数处理弱增强预测值，生成对应的负伪标签。7.如权利要求1所述的基于半监督的SAR图像目标识别方法，其特征在于：步骤S211中，通过如下公式对弱增强预测值进行锐化处理：
式中：T表示超参数，当T
→
0时，Sharpen(p,T)的输出接近one
‑
hot分布；p表示增强的分类预测值平均。8.如权利要求1所述的基于半监督的SAR图像目标识别方法，其特征在于：步骤S2中，通过如下公式计算无监督交叉熵损失：式中：表示无监督损失；B表示每个批次有标签图像的...

【专利技术属性】
技术研发人员：张新征，魏宇航，胡东，罗雨晴，
申请(专利权)人：重庆大学，
类型：发明
国别省市：