一种基于多尺度网络的SAR图像小样本目标识别方法技术

本发明专利技术公开了一种基于多尺度网络的SAR图像小样本目标识别方法，将孪生网络的机器学习框架应用SAR图像的目标识别任务，包括图像对采样、训练任务采样、测试任务采样等；使用自编码器和多尺度的特征提取网络来增强模型训练过程中的特征传播。本发明专利技术可实现在SAR图像小样本情况下的目标识别任务，缓解由于在SAR图像样本量极低的情况下机器学习模型无法达到的目标识别效果。的目标识别效果。的目标识别效果。

【技术实现步骤摘要】
一种基于多尺度网络的SAR图像小样本目标识别方法


[0001]本专利技术涉及图像识别技术，具体涉及一种基于多尺度网络的SAR图像小样本目标识别方法。

技术介绍

[0002]目前，合成孔径雷达是一种对地观测的雷达系统，且其具有有源性，通常也被称为主动成像。该种装置最初主要安装于飞机、航天器等飞行平台和高空设备上，实行全天候、全天时的对地监测；后随着SAR及相关技术的发展，地基合成孔径雷达、手持式SAR设备等多种操作模式的设备开始大范围应用于各种领域。
[0003]如图1所示，图像的识别需要经过图像预处理、图像特征提取、目标分类3个基本过程。
[0004]在图像预处理阶段，可以使用裁剪、旋转、高斯滤波、中值滤波、像素灰度化、像素二值化等操作使输入到模型中的图像标准化，提出部分可能会对训练效果产生影响的无用信息，并在最大程度上保留需要识别的目标信息，方便后续模型训练过程中的参数的调整对齐。其中裁剪、旋转等图像几何变换操作，可以减少图像中的无用的背景信息；高斯滤波使用平滑模板，是一种线性操作，对所输入的图像的像素点的灰度值进行加权平均，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度网络的SAR图像小样本目标识别方法，其特征在于，包括：在模型的输入阶段将会随机选取两幅图像，并生成相应的图像对；若选取的图像对所属类别相同，则生成的对应监督信息Label = 1；若选取的图像对所属类别不相同，则生成的对应监督信息Label = 0；将所选取的图像对输入到多尺度卷积网络，该网络结构共享权重参数，对图像进行特征提取，将原始的数据输入的维度进行特征提取后，进行全连接得到特征向量；在得到对应维度特征向量后，使用余弦距离计算所输入图像的相似度；在输入的图像对相似程度较高的情况下，其计算余弦相似度的值接近于1，而在相似度较低的情况下其值接近于
‑
1；对于所输入的监督信息类别相同Label = 1或类别不同Label = 0，使用余弦相似度使得输入的特征向量与其输入维度无关，在输入维度增长时，其余弦相似度计算所得也能够保持与低维度输入时相似的值；得到的余弦距离与生成的监督信息Label输入到二分类交叉熵损失计算；使用二值交叉熵损失和均方误差损失的加权和作为模型的总体损失函数，进行反向传播，对模型进行梯度更新。2.根据权利要求1所述的基于多尺度网络的SAR图像小样本目标识别方法，其特征在于，所述特征提取网络包括：使用卷积层为 5
×
5 卷积核和 3
×
3卷积核，每一个卷积层均包括批归一化操作和无偏卷积，池化层均使用 2
×
2 的最大值池化，该种池化层通过选取局部的最大值，学习图像的边缘与纹理结构等特征；通过对 2
×
2 池化模板内的各个元素比较，提取最大值，取得局部的主要特征；批归一化操作过程如下，首先求得输入样本batch的均值；首先求得输入样本batch的均值；为所输入到特征提取网络中的batch中的样本数，为 batch 中的各个样本；对该批次 batch 中的样本，计算其方差：其中为上方步骤中求得的 batch 的均值；对 batch 中的每一个样本进行归一化，使其符合正态分布：其中和分别为先前步骤中求得的batch的均值与方差，为一绩效的大于0的值；在以下的卷积操作中，每一步操作都将统一包含有对应参数和权重的卷积操作和批归
一化操作，在使用批归一化操作对输入信息进行计算时，使用输入信息的均值与方差对参数进行修正归一化；在将图像输入到该多尺度卷积神经网络前，首先会对图像进行裁剪，统一为100
×
100的灰度图像，输入到第一层卷积层，第一层卷积层设置为16个过滤器的5
×
5卷积，步长设置为2，并进行空白填充，再使用2
×
2的最大池化层对图像进行下采样，得到的特征图谱的维度信息为16
×
25
×
25，再通过1
×
1卷积对该层特征图谱的通道进行线性变换，得到128维的25
×
25的特...

【专利技术属性】
技术研发人员：魏倩茹，张煜辉，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：