一种基于自监督对比学习的雷达目标识别方法技术

本发明专利技术公开一种自监督对比学习的雷达目标识别方法，应用于目标识别领域，针对SAR图像目标识别中，带标签数据样本量有限的问题，本发明专利技术方法包含两个阶段，第一阶段在自监督对比学习网络下对无标签的雷达交叉增强样本进行训练，每个输入样本以不同的方式增强为两个交叉增强样本，该网络通过相似性损失来更新权重，从而最大化同类目标的相似特征并最小化不同类目标的相似特征，实现网络对同一类别目标相似特征的有效提取；第二阶段通过迁移第一阶段的网络权重，并在其后加入一个分类器，利用少量带标签的雷达样本微调网络，从而实现雷达目标识别技术。目标识别技术。目标识别技术。

【技术实现步骤摘要】
一种基于自监督对比学习的雷达目标识别方法


[0001]本专利技术属于目标识别领域，特别涉及一种雷达图像目标识别技术。

技术介绍

[0002]在遥感图像处理中，成像雷达微波遥感探测的主要信息是目标与微波波段电磁波相互作用后反射的微波信息。因此，由成像雷达所获取的雷达图像包含目标物体的形状和散射信息，可以很好的表征特定的目标特征。在众多成像雷达中，合成孔径雷达(synthetic aperture radar,SAR)是一种重要的微波遥感成像系统，其可采集全天候和昼夜高分辨率的图像，而SAR自动目标识别(automatic target recognition,ATR)技术则是SAR应用中关键的挑战之一。因此，SAR ATR在军事和民用领域的应用均具有重要的意义。
[0003]深度卷积神经网络(Convolutional Neural Network,CNN)的出现使图像处理的性能得到了提高。得益于其强大的特征学习能力，CNN在SAR ATR领域中也取得了一定进展。但是，此类方法需要大量的标记数据集来训练模型，而大多数SAR图像数据集是未标记或稀疏标记的，这会造成训练深层网络时的过度拟合。文献“Chen,Sizhe,et al."Target classification using the deep convolutional networks for SAR images."IEEE Transactions on Geoscience and Remote Sensing 54.8(2016):4806r/>‑
4817.”中提出了一种全卷积网络，将所有全连接层替换为卷积层。该方法通过减少模型参数来减少过度拟合，但其识别性能随着减少标记的训练样本而显著降低。由于SAR图像相较于光学图像更难以获得，且手动标记SAR图像数据耗时耗力，现有的雷达图像数据中只有少部分为带标签数据，仍存在大量未标签的雷达数据。
[0004]自监督对比学习通过估计目标之间的相似性来学习数据的一般特征，这种类型的学习可以在没有先验信息的情况下对相似的目标进行分类，并将它们与不同的目标区分开。文献“Ciga,Ozan,Tony Xu,and Anne Louise Martel."Self supervised contrastive learning for digital histopathology."Machine Learning with Applications 7(2022):100198.”和文献“G
ü
ldenring,Ronja,and Lazaros Nalpantidis."Self
‑
supervised contrastive learning on agricultural images."Computers and Electronics in Agriculture 191(2021):106510.”表明了自监督对比学习在数字医学病理图像和农业图像上都取得了一定的成就。若能够充分利用未标签的雷达图像数据，自监督对比学习在推进SAR图像目标识别上具有广阔的前景。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种自监督对比学习的雷达目标识别方法，利用大量未标签雷达样本提取有效目标特征信息。
[0006]本专利技术采用的技术方案为：一种基于自监督对比学习的雷达目标识别方法，包括：
[0007]S1、构建预训练模型，所述预训练模型包括：在线网络与目标网络，在线网络包括骨干网络、第一多层感知器层、第二多层感知器层；目标网络包括骨干网络与第三多层感知
器层；
[0008]S2、对于一张输入的未标签的雷达图像，通过两种不同的增强方式后得到两个交叉增强样本；
[0009]S3、将步骤S2得到的两个交叉增强样本分别输入在线网络、目标网络；通过计算在线网络与目标网络各自输出的相似性损失，根据相似性损失更新在线网络的网络权重，再由在线网络中与目标网络中相同的网络架构部分的权重，对应更新目标网络的网络权重；
[0010]S4、根据训练完成的预训练模型中的骨干网络构建微调分类网络；微调分类网络的输入为带标签的雷达目标图像样本；所述微调分类网络包括：训练完成的预训练模型中的骨干网络、平均池化操作层、Flatten层、全连接层、SoftMax层，最后对SoftMax层的输出采用交叉熵损失进行微调，得到最终的分类结果。
[0011]本专利技术的有益效果：本专利技术为了充分利用现有未标签数据样本的目标特征信息，探究自监督对比学习在SAR图像目标识别领域的潜力；利用大量未标签雷达样本提取有效目标特征信息，解决雷达图像样本标签稀缺而导致的网络学习不充分的问题，从而提升网络在少量带标签的数据样本下对雷达目标的识别性能；本专利技术方法包括两个阶段，在第一阶段的预训练中将未标签的雷达图像数据样本输入网络，通过两种不同的增强方式获取交叉增强样本，分别通过自监督对比学习框架下的在线网络和目标网络，预训练网络模型。利用相似性损失，最大化同一类目标的相似特征的同时，弱化不同类目标的相似特征，提升提取特征的有效性。第二阶段迁移网络权重后，输入带标签的雷达图像数据样本，微调网络，最终实现自监督对比学习下SAR目标的精准识别；实验结果表明，与其它目标识别方法相比，本专利技术方法可以在利用大量无标签的雷达样本数据的条件下，有效地提高小样本的雷达目标识别网络的准确度和鲁棒性。
附图说明
[0012]图1为本专利技术方法的框架及训练流程示意图。
具体实施方式
[0013]为便于本领域技术人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐释。
[0014]步骤一：输入未标签的雷达目标图像样本数据集设一张输入的雷达图像为x，通过随机两种不同方式增强后得到交叉增强样本x
t
和x
t'
，如下式所示：
[0015][0016][0017]其中，和为两种不同的样本增强方式。
[0018]在本专利技术方法的自监督对比学习训练阶段中，采用的数据增强方式有5种，分别为随机裁切、翻转、平移、颜色抖动，以及高斯噪声。和将以一定的概率执行以上的数据增强方式，表1中列出了两种数据增强的参数设置。
[0019]表1数据增强过程中的参数设置
[0020][0021]步骤二：两个增强样本x
t
和x
t'
分别通过如图1所示的在线网络和目标网络，设在线网络可更新权重为θ，目标网络可更新权重为ξ。增强样本之一x
t'
输入目标网络，首先通过骨干网络f
ξ
[
·
]提取雷达目标信息并嵌入到目标特征空间，从而得到提取的特征信息y
ξ
；随后通过多层感知器层(multilayer perceptron，MLP)g
ξ
[
·
]得到特征空间的映射z
ξ
。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督对比学习的雷达目标识别方法，其特征在于，包括：S1、构建预训练模型，所述预训练模型包括：在线网络与目标网络，在线网络包括骨干网络、第一多层感知器层、第二多层感知器层；目标网络包括骨干网络与第三多层感知器层；S2、对于一张输入的未标签的雷达图像，通过两种不同的增强方式后得到两个交叉增强样本；S3、将步骤S2得到的两个交叉增强样本分别输入在线网络、目标网络；通过计算在线网络与目标网络各自输出的相似性损失，根据相似性损失更新在线网络的网络权重，再由在线网络中与目标网络中相同的网络架构部分的权重，对应更新目标网络的网络权重；S4、根据训练完成的预训练模型中的骨干网络构建微调分类网络；微调分类网络的输入为带标签的雷达目标图像样本；所述微调分类网络包括：训练完成的预训练模型中在线网络的骨干网络、平均池化操作层、Flatten层、全连接层、SoftMax层，最后对SoftMax层的输出采用交叉熵损失进行微调，得到最终的分类结果。2.根据权利要求1所述的一种基于自监督对比学习的雷达目标识别方法，其特征在于，步骤S2中具体通过随机的方式选择以下增强方式中的2种对输入的未标签的雷达图像进行增强：随机裁切、翻转、平移...

【专利技术属性】
技术研发人员：张寅，裴季方，刘小钰，黄钰林，王陈炜，霍伟博，杨海光，杨建宇，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：