基于余弦原型学习的小样本增量SAR图像目标识别方法技术

本申请涉及一种基于余弦原型学习的小样本增量SAR图像目标识别方法。所述方法提出了余弦原型学习框架，使现有深度学习算法具备基于有限的样本持续更新迭代，而不会失去对旧知识的辨别力；将特定于类别的知识单独表达为余弦原型，在不失模型泛化能力的同时，对目标特征准确表征；采用成对结构分离损失来学习新知识和多样化目标方位角的平滑影响，采用原型一致性损失防止学习到的新知识可迁移性退化；采用原型样本蒸馏损失和原型再校准策略克服算法对旧知识的灾难性遗忘，以连续惩罚语义漂移并减轻学习原型的错位；在推理时，通过比较测试样本和类特定原型之间的余弦相似性，实现对未知样本类别的准确预测。未知样本类别的准确预测。未知样本类别的准确预测。

【技术实现步骤摘要】
基于余弦原型学习的小样本增量SAR图像目标识别方法


[0001]本申请涉及SAR图像处理
，特别是涉及一种基于余弦原型学习的小样本增量SAR图像目标识别方法。

技术介绍

[0002]作为合成孔径雷达(SAR)图像解译领域的基础问题，SAR自动目标识别(SAR ATR)因其在军事和民用等领域发挥着重要作用，得到了广泛的关注和深入的研究。近年来，随着SAR成像技术的快速发展，高分辨率SAR图像的数量呈指数增长，为具有挑战性的SAR目标识别任务提供了越来越多的研究机会。
[0003]近年来，随着深度学习(DL)在SAR ATR领域的引入，SAR ATR技术取得了突飞猛进。虽然如此，这些算法从有效的样本中持续学习和更新的能力依然有限，限制了其在真实场景下的应用能力。特别是，由于新类别样本数的有限，模型在对新知识进行学习时很容易导致对历史知识的灾难性遗忘，从而降低了算法对先前所见类别的识别能力。因此，有必要研究小样本类别增量学习(Few
‑
Shot Class Incremental Learning，简称：FSCIL)问题，从而提升模型在动态环境中对不同类别的判别能力。
[0004]此外，由于SAR和自然图像中目标特征的明显差异，SAR ATR的FSCIL更加独特和复杂，面临更多挑战。
[0005](1)目标信息有限性。由于SAR特殊的成像特性，SAR图像中的目标被粗略地表示为具有特定拓扑模式的后向散射点。尽管如此，它们仍然缺乏丰富的颜色和外观线索，为优化特征提取器提供有限的指导。因此，获取SAR图像中目标的代表性特征需要深入挖掘目标散射点的结构信息。
[0006](2)类间相似性和类内差异。由于成像条件的多样性和目标配置的相似性，如目标方位角、部件，例如T72和T62配备的炮塔等，不同类别的特征很容易重叠，同一类别内的差异可能很严重。因此，在增量学习过程中保持模型区分不同目标的相当大的能力需要更多地关注位于决策边界的目标并增强类内样本的特征一致性。
[0007](3)严重的背景干扰。由于周围环境的多样性和非均匀性以及SAR成像机制的特殊性，目标周围可能广泛存在密集的杂波，对基于DL的模型准确表示目标特征造成大量干扰，特别是有限样本支撑下。

技术实现思路

[0008]基于此，有必要针对上述技术问题，提供一种基于余弦原型学习的小样本增量SAR图像目标识别方法。
[0009]一种基于余弦原型学习的小样本增量SAR图像目标识别方法，所述方法包括：
[0010]获取若干个带标签的SAR图像数据集；将第一个SAR图像数据集作为基础会话数据集，将其他SAR图像数据集作为增量会话数据集。
[0011]在基础训练阶段，通过余弦交叉熵损失在所述基础会话数据集上对特征提取器进
行训练，得到基础训练后的特征提取器和若干个类特定原型；并存储从类集中选择的已保存样本。
[0012]在增量训练阶段，将已保存样本和第一个增量会话数据集合并后作为输入，通过增量训练损失对基础训练后的特征提取器进行训练，学习完成后将新类和旧类的原型通过PR策略重新校准，得到第一增量会话后的特征提取器和类特定原型，并存储从第一个增量会话数据集中选择的已保存样本，通过重复上述步骤直到最后一个增量会话数据集，得到训练好的特征提取器和最终类特定原型；所述增量训练损失包括：成对结构分离损失、原型一致性损失以及原型样本蒸馏损失。
[0013]在推理时，通过比较测试样本和最终类特定原型之间的余弦相似性，采用非参数分类器进行评估，确定测试样本所述的类别。
[0014]在其中一个实施例中，所述增量训练损失为：
[0015]L
total
＝γ(L
PSS
+L
PC
)+L
PED
[0016]其中，L
total
为增量训练损失，L
PSS
为成对结构分离损失，L
PC
为原型一致性损失，L
PED
为原型样本蒸馏损失，γ为参数。
[0017]在其中一个实施例中，所述成对结构分离损失为：
[0018][0019]其中，L
PSS
为成对结构分离损失，分别是选定的锚点和与锚点同类别的正样本，是对比的负样本，N是比较对的数量，D
t
为第t个SAR图像数据集，E
t
‑1为第t
‑
1个已保存样本，2≤t≤SAR图像数据集数量；φ
t
(x
i
)是来自第t+1个增量阶段的样本集E
t
中的样本x
i
的高维语义特征，m为控制样本间边界，y
i
为样本x
i
的标签；为选定的锚点和与锚点同类别的正样本之间的距离。
[0020]在其中一个实施例中，所述原型一致性损失为：
[0021][0022][0023]其中，L
PC
为原型一致性损失，为在第t与第t
‑
1个增量学习过程类别c原型的余弦相似性度量结果，为第t个增量过程类别c的原型，y
i
为样本x
i
的标签，D
t
为第t个SAR图像数据集，N
c
为类别c所包含的训练样本数，c为类别标签，C
t
为当前增量阶段总的类别标签集合。
[0024]在其中一个实施例中，所述原型样本蒸馏损失为：
[0025][0026]其中，L
PED
为原型样本蒸馏损失，E
t
‑1为来自第t个增量阶段的样本集，C
t
为当前增量阶段总的类别标签集合，<φ
t
‑1(x
i
)
‑
p
c
,φ
t
(x
i
)
‑
p
c
>为在第t
‑
1与第t个增量学习阶段类别样本例与其类别原型偏差的余弦相似性度量结果，p
c
是旧类c的原型，φ
t
‑1(x
i
)是来自第t个增量阶段的样本集E
t
‑1中的样本x
i
的高维语义特征，N为总的样本数，φ
t
(x
i
)为第t个阶段的特征提取器所提取的样本x
i
的语义特征，c为类别标签，y
i
为样本x
i
的标签。
[0027]在其中一个实施例中，在推理时，通过比较测试样本和最终类特定原型之间的余弦相似性，采用非参数分类器进行评估，确定测试样本所述的类别，包括：
[0028]在推理时，通过比较测试样本和最终类特定原型之间的余弦相似性，采用基于余弦分类准则的非参数分类器进行评估，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于余弦原型学习的小样本增量SAR图像目标识别方法，其特征在于，所述方法包括：获取若干个带标签的SAR图像数据集；将第一个SAR图像数据集作为基础会话数据集，将其他SAR图像数据集作为增量会话数据集；在基础训练阶段，通过余弦交叉熵损失在所述基础会话数据集上对特征提取器进行训练，得到基础训练后的特征提取器和若干个类特定原型；并存储从类集中选择的已保存样本；在增量训练阶段，将已保存样本和第一个增量会话数据集合并后作为输入，通过增量训练损失对基础训练后的特征提取器进行训练，学习完成后将新类和旧类的原型通过PR策略重新校准，得到第一增量会话后的特征提取器和类特定原型，并存储从第一个增量会话数据集中选择的已保存样本，通过重复上述步骤直到最后一个增量会话数据集，得到训练好的特征提取器和最终类特定原型；所述增量训练损失包括：成对结构分离损失、原型一致性损失以及原型样本蒸馏损失；在推理时，通过比较测试样本和最终类特定原型之间的余弦相似性，采用非参数分类器进行评估，确定测试样本所述的类别。2.根据权利要求1所述的方法，其特征在于，所述增量训练损失为：L
total
＝γ(L
PSS
+L
PC
)+L
PED
其中，L
total
为增量训练损失，L
PSS
为成对结构分离损失，L
PC
为原型一致性损失，L
PED
为原型样本蒸馏损失，γ为参数。3.根据权利要求2所述的方法，其特征在于，所述成对结构分离损失为：3.根据权利要求2所述的方法，其特征在于，所述成对结构分离损失为：其中，L
PSS
为成对结构分离损失，x
i
,分别是选定的锚点和与锚点同类别的正样本，是对比的负样本，N是比较对的数量，D
t
为第t个SAR图像数据集，E
t
‑1为第t
‑
1个已保存样本，2≤t≤SAR图像数据集数量；φ
t
(x
i
)是来自第t+1个增量阶段的样本集E
t
中的样本x
i
的高维语义特征，m为控制样本间边界，y
i
为样本x
i
的标签；为选定的锚点和与锚点同类别的正样本之间的距离。4.根据权利要求2所述的方法，其特征在于，所述原型一致性损失为：4.根据权利要求2所述的方法，其特征在于，所述原型一致性损失为：其中，L
PC
为原型一致性损失，为在第t与第t<...

【专利技术属性】
技术研发人员：赵凌君，赵琰，张思乾，熊博莅，唐涛，雷琳，冷祥光，匡纲要，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：