【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 ...
【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:
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。