本发明专利技术公开了一种用于零样本SAR目标识别的渐进式域自适应识别方法，包括：将仿真数据样本和实测数据样本导入到特征对齐网络中，提取第一特征信息和第二特征信息；根据第一特征信息和第二特征信息计算得到分布差异；基于第一损失函数得到训练后的特征对齐网络；利用训练后的特征对齐网络预测无标签的实测数据集，并给无标签的实测数据集赋予伪标签，得到伪标签的第一实测数据集；对第一实测数据集进行伪标签去噪处理，得到伪标签去噪的实测数据集；将伪标签去噪后的实测数据集导入上述训练后的特征对齐网络，以调整网络参数；将待分类的数据输入至调整后的特征对齐网络，得到最终的分类识别结果。本发明专利技术有效地去除了包含噪声的伪标签数据，从而使得识别的结果更加稳定。从而使得识别的结果更加稳定。从而使得识别的结果更加稳定。
【技术实现步骤摘要】
一种用于零样本SAR目标识别的渐进式域自适应识别方法
[0001]本专利技术属于雷达
，具体涉及一种用于零样本SAR目标识别的渐进式域自适应识别方法。
技术介绍
[0002]合成孔径雷达(SAR)数据已广泛应用于军事侦察、灾害预警、环境监测等多个领域。SAR自动目标识别(ATR)技术，旨在识别SAR图像的目标类型，该项技术得到了广泛的研究。对于SAR
‑
ATR，为了保证分类器有效的识别性能，通常需要大量的标记数据来训练分类器。因此，缺少训练数据将会影响识别性能。通过仿真技术生成SAR图像是一种有效的获取数据的方式。但是由于各种原因，仿真图像与实测图像的分布之间会存在差异，导致仿真图像的应用存在局限性。因此，使用仿真图像的关键在于克服仿真图像与实测图像之间的差异。
[0003]最近几年中，美国空军研究实验室(AFRL)提供的SAMPLE数据集，其中包含仿真的SAR目标数据，用于零样本SAR目标识别问题的研究。
[0004]目前已有部分学者研究了仿真数据在识别中的应用，大致可分为以下几类：
[0005](1)预训练。
[0006]Malmgren
‑
Hansen等人在2017年发表的论文“Improving SAR Automatic Target Recognition Models With Transfer Learning From Simulated Data”(IEEE Geoscience and Remote Sensing Letters)中先利用大量仿真SAR数据对分类器进行预训练，然后再利用少量实测SAR数据对预训练的网络进行微调。
[0007](2)数据变换或数据增强。
[0008]Liu等人在2018年发表的论文“SAR Target Classification with CycleGAN Transferred Simulated Samples”(IEEE International Geoscience&Remote Sensing Symposium)中提出了使用循环一致性生成对抗网络(CycleGAN)对仿真数据进行转换，使仿真数据与真实数据更加相似，然后将变换后的仿真数据与实测数据同时用于训练网络。
[0009](3)特征设计。
[0010]Dong等人在2022年发表的论文“Ahierarchical receptive network oriented to target recognition in SAR images”(Pattern Recogn)中提出了一个新的分层接受式神经网络。首先通过一系列精细的卷积滤波器建立了一个信号导向的接受模块，然后用来编码经验特征和知识。最终经过进一步细化后的特征被用来进行模型训练。
[0011](4)领域自适应方法。
[0012]He等人在2021年发表的论文“SAR target recognition based on task
‑
driven domain adaptation using simulated data”(IEEE Geosci.Remote.Sens.Lett)提出了一种任务驱动的领域适应(TDDA)转移学习方法，它可以减小训练和测试数据之间的俯仰角度差异造成的识别能力下降，该方法通过训练时引入SAR成像条件的相关信息，用于减少训练和测试数据之间的领域分布差异。
[0013](5)其他方法。
[0014]如神经结构搜索，或探索现有方法的有效性，并整合一些有效方法。如Inkawhich等人在2021年发表的论文“Bridging a gap in SAR
‑
ATR:training on fully synthetic and testing on measured data”中通过使用基于深度学习的ATR模型，提出了数据增强、模型构建、损失函数选择和组合使用的方法，以增强从仿真数据中学习到的特征信息。
[0015]上述方法均在训练过程中或多或少的使用了含有标签的实测数据进行训练，而目前获取足够的实测SAR图像用于训练仍然是不易的，甚至对于一些复杂任务，即便是少量的实测数据都难以获得。
技术实现思路
[0016]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用于零样本SAR目标识别的渐进式域自适应识别方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0017]一种用于零样本SAR目标识别的渐进式域自适应识别方法，所述渐进式域自适应识别方法包括：
[0018]步骤1、获取有标签的仿真数据样本和无标签的实测数据样本；
[0019]步骤2、将所述有标签的仿真数据样本和所述无标签的实测数据样本分别导入到特征对齐网络中，对应提取第一特征信息和第二特征信息；
[0020]步骤3、根据所述第一特征信息和所述第二特征信息计算得到分布差异，并将所述分布差异作为域自适应损失；
[0021]步骤4、根据所述域自适应损失和所述有标签的仿真数据样本对应的第一分类损失得到第一损失函数，以基于所述第一损失函数得到训练后的特征对齐网络；
[0022]步骤5、利用所述训练后的特征对齐网络预测无标签的实测数据样本，并给所述无标签的实测数据样本赋予伪标签，得到伪标签的第一实测数据集；
[0023]步骤6、对所述第一实测数据集进行伪标签去噪处理，得到伪标签去噪的实测数据集；
[0024]步骤7、将所述伪标签去噪的实测数据集导入所述训练后的特征对齐网络，以调整网络参数，得到调整后的特征对齐网络；
[0025]步骤8、将待分类的数据输入至所述调整后的特征对齐网络，得到最终的分类识别结果。
[0026]在本专利技术的一个实施例中，所述步骤1包括：
[0027]步骤1.1、对第一仿真图像添加散斑噪声，得到第二仿真图像；
[0028]步骤1.2、将所述第一仿真图、所述第二仿真图像和第一实测图像剪裁到统一大小，对应得到第三仿真图像、第四仿真图像和第二实测图像；
[0029]步骤1.3、将所述第三仿真图像、所述第四仿真图像和所述第二实测图像归一化到[0,255]范围，得到第五仿真图像、第六仿真图像和第三实测图像，所有的有标签的第五仿真图像和有标签的第六仿真图像组成所述仿真数据样本，所有的无标签的第三实测图像组成所述实测数据样本。
[0030]在本专利技术的一个实施例中，所述特征对齐网络包括十层网络架构，第一层为卷积层L1、第二层为maxPooling层L2、第三层为卷积层L3、第四层为maxPooling层L4、第五层为
卷积层L5、第六层为maxPooling层L6，第七层为卷积层L7、第八层为avgPooling层L8、第九层为卷积层L9、第十层为softmax分类器层L10；
[0031]其中，所述卷积层L1、所述卷积层L3、所述卷积层L5、所述卷积层L7的卷积本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于零样本SAR目标识别的渐进式域自适应识别方法，所述渐进式域自适应识别方法包括：步骤1、获取有标签的仿真数据样本和无标签的实测数据样本；步骤2、将所述有标签的仿真数据样本和所述无标签的实测数据样本分别导入到特征对齐网络中，对应提取第一特征信息和第二特征信息；步骤3、根据所述第一特征信息和所述第二特征信息计算得到分布差异，并将所述分布差异作为域自适应损失；步骤4、根据所述域自适应损失和所述有标签的仿真数据样本对应的第一分类损失得到第一损失函数，以基于所述第一损失函数得到训练后的特征对齐网络；步骤5、利用所述训练后的特征对齐网络预测无标签的实测数据样本，并给所述无标签的实测数据样本赋予伪标签，得到伪标签的第一实测数据集；步骤6、对所述第一实测数据集进行伪标签去噪处理，得到伪标签去噪的实测数据集；步骤7、将所述伪标签去噪的实测数据集导入所述训练后的特征对齐网络，以调整网络参数，得到调整后的特征对齐网络；步骤8、将待分类的数据输入至所述调整后的特征对齐网络，得到最终的分类识别结果。2.根据权利要求1所述的渐进式域自适应识别方法，其特征在于，所述步骤1包括：步骤1.1、对第一仿真图像添加散斑噪声，得到第二仿真图像；步骤1.2、将所述第一仿真图、所述第二仿真图像和第一实测图像剪裁到统一大小，对应得到第三仿真图像、第四仿真图像和第二实测图像；步骤1.3、将所述第三仿真图像、所述第四仿真图像和所述第二实测图像归一化到[0,255]范围，得到第五仿真图像、第六仿真图像和第三实测图像，所有的有标签的第五仿真图像和有标签的第六仿真图像组成所述仿真数据样本，所有的无标签的第三实测图像组成所述实测数据样本。3.根据权利要求1所述的渐进式域自适应识别方法，其特征在于，所述特征对齐网络包括十层网络架构，第一层为卷积层L1、第二层为maxPooling层L2、第三层为卷积层L3、第四层为maxPooling层L4、第五层为卷积层L5、第六层为maxPooling层L6，第七层为卷积层L7、第八层为avgPooling层L8、第九层为卷积层L9、第十层为softmax分类器层L10；其中，所述卷积层L1、所述卷积层L3、所述卷积层L5、所述卷积层L7的卷积核大小为5
×
5，并在所述卷积层L7之后添加dropout操作，所述卷积层L9的卷积核大小为4
×
4，最后通过所述softmax分类器层L10输出识别结果。4.根据权利要求3所述的渐进式域自适应识别方法，其特征在于，所述第一特征信息和所述第二特征信息均为所述特征对齐网络的所述卷积层L...
【专利技术属性】
技术研发人员：王英华，孙媛爽，钱永刚，刘宏伟，张晨，王思源，
申请(专利权)人：西安电子科技大学，
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。