基于不确定性的小样本SAR图像目标识别方法及系统技术方案

本发明专利技术属于图像识别技术领域，公开了一种基于不确定性的小样本SAR图像自动目标识别方法及系统，利用Dirichlet分布对分类结果建模；将Dempster

【技术实现步骤摘要】
基于不确定性的小样本SAR图像目标识别方法及系统


[0001]本专利技术属于图像识别
，尤其涉及一种基于不确定性的小样本
SAR
图像自动目标识别方法
。

技术介绍

[0002]目前，合成孔径雷达
(Synthetic Aperture Radar,SAR)
是一种主动发射电磁波并接收回波的传感器
。
与光学传感器不同，
SAR
系统不受天气情况的影响，使其广泛应用于军事
、
农业和其他领域
。
随着
SAR
图像分辨率的提高，以
SAR
自动目标识别为代表的关键技术已成为态势侦察
、
情报判读等军事应用的重要支撑
。SAR
图像中目标的后向散射特性受多种因素的影响，获取到的训练数据和现实中的测试数据因成像条件变化等使得其不再满足独立同分布条件，研究域适应是解决该问题的关键
。
然而
SAR
图像不如光学图像直观，目标辨别困难，且军事背景下样本较少，导致目标域中标记数据较少
。
综上，在
SAR
自动目标识别
(SAR Automatic Target Recognition
，
SAR ATR)
中小样本域适应
(Few
‑
Shot Domain Adaptation,FSDA)
被提出
。
在/>FSDA
中，大多数方法都需要访问源域数据
。
在军事背景下，各类装备的
SAR
图像数据都是保密的，这意味了以其他传感器的数据或者仿真数据等作为
FSDA
的源域数据时，其数据都是不可访问的
。
此外，源域数据可能规模大并存在于多个设备上，若访问源域数据会带来数据传输瓶颈或面临数据泄露的风险
。
为此，有必要实现不访问源域数据的
FSDA
，即无源
FSDA。
[0003]无源
FSDA
的
SAR ATR
存在两个主要挑战
。
第一个挑战是如何使用给定的源域分类器表示目标域和源域之间可转移的知识
。
解决此问题的方法包括数据生成和模型微调
。
数据生成方法包括域图像生成和域分布生成
。
例如，在光学图像的无源
FSDA
中，
Haoang Chi
等人提出了面向目标的假设适应网络
(TOHAN)
，它通过生成高度兼容的未标记数据逐渐将数据知识应用到目标域
。
第二个挑战是目标域中很少的标记样本会导致高模型不确定性和不可靠的预测
。
为了保证模型预测的可靠性，已经提出了许多基于机器学习的方法来量化或估计不确定性
。
实现不确定性估计的方法主要有：
MC
‑
Dropout
，
Deep Ensemble
，
PBP
和基于
Dirichlet
分布的模型
。
然而，这些方法为实现自然图像目标识别的不确定性估计而提出，它们均基于大数据，未讨论小样本下的不确定性估计
。
[0004]通过上述分析，现有技术存在的问题及缺陷为：
[0005]目前的
SAR ATR
中亟需研究无源
FSDA
方法
。
然而，目前可借鉴的技术研究只研究了不可访问的源域数据所面临的困难，忽略了不确定性估计的重要性
。
总而言之，没有在一个框架中同时研究目标识别性能和不确定性估计的
SAR
小样本自动目标识别方法
。

技术实现思路

[0006]针对现有技术存在的问题，本专利技术提供了一种基于不确定性的小样本
SAR
图像自动目标识别方法
。
[0007]本专利技术是这样实现的，一种基于不确定性的小样本
SAR
图像自动目标识别方法，首
先，将
SAR
图像进行预处理，包括去噪
、
滤波等操作；然后，使用目标检测算法对图像中的目标进行检测，并将检测结果作为输入，利用
Dirichlet
分布对分类概率进行建模；接着，将
Dempster
‑
Shafer
证据理论
(DS
证据理论
)
和
Dirichlet
分布相结合，推导出证据深度学习的损失函数，并结合来自源域的先验信息推导出适用于无源
FSDA
的目标识别与不确定性估计损失函数；最后，采用师生网络结构，利用无源
FSDA
的损失函数并结合少量的目标域标注数据对模型进行微调，实现
SAR
的小样本自动目标识别与不确定性估计
。
[0008]进一步，具体包括以下步骤：
[0009]S101
，利用
Dirichlet
分布对分类结果建模；
[0010]S102
，将
DS
证据理论和
Dirichlet
分布相结合，推导出证据深度学习的损失函数；
[0011]S103
，结合来自源域的先验信息，推导出适用于无源
FSDA
的目标识别与不确定性估计损失函数；
[0012]S104
，采用师生网络结构利用无源
FSDA
的损失函数并结合少量的目标域标注数据对模型进行微调，最终实现
SAR
的小样本自动目标识别与不确定性估计
。
[0013]进一步，所述
S101
中的建模方法为：
[0014]在
K
分类问题中使用参数为
α
的
Dirichlet
分布对分类概率
p
建模
[0015][0016]进一步，所述
S102
中的方法为：
[0017]利用主观逻辑将证据理论的证据
(e)
分配在识别框架上形式化为
Dirichlet
分布，如公式所示
。
通过参数为
Θ
的神经网络实现证据搜索和
Dirichlet
参数估计，最后实现不确定性估计：
[0018]用主观逻辑建模不确定性如下所示，其中
u
表示不确定性，
b
表示
beliefmass,S
表示
Dirichlet
强度
。
[0019][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于不确定性的小样本
SAR
图像自动目标识别方法，其特征在于，首先，将
SAR
图像进行预处理，包括去噪
、
滤波等操作；然后，使用目标检测算法对图像中的目标进行检测，并将检测结果作为输入，利用
Dirichlet
分布对分类概率进行建模；接着，将
Dempster
‑
Shafer
理论和
Dirichlet
分布相结合，推导出证据深度学习的损失函数，并结合来自源域的先验信息推导出适用于无源
FSDA
的目标识别与不确定性估计损失函数；最后，采用师生网络结构，利用无源
FSDA
的损失函数并结合少量的目标域标注数据对模型进行微调，实现
SAR
的小样本自动目标识别与不确定性估计
。2.
如权利要求1所述基于不确定性的小样本
SAR
图像自动目标识别方法，其特征在于，包括：
S101
，利用
Dirichlet
分布对分类结果建模；
S102
，将
Dempster
–
Shafer
理论和
Dirichlet
分布相结合，推导出证据深度学习的损失函数；
S103
，结合来自源域的先验信息，推导出适用于无源
FSDA
的目标识别与不确定性估计损失函数；
S104
，采用师生网络结构利用无源
FSDA
的损失函数并结合少量的目标域标注数据对模型进行微调，最终实现
SAR
的小样本自动目标识别与不确定性估计
。3.
如权利要求1所述基于不确定性的小样本
SAR
图像自动目标识别方法，其特征在于，
S101
具体的实现方法为：
1)SAR
图像预处理：对
SAR
图像进行去噪
、
滤波操作，提高图像质量；
2)
目标检测：利用目标检测算法对图像中的目标进行检测，并得到目标的位置和大小信息；
3)
特征提取：对目标区域提取特征，如形状
、
纹理
、
灰度；
4)
分类器训练：利用
Dirichlet
分布对分类概率进行建模，并训练分类器
。4.
如权利要求1所述基于不确定性的小样本
SAR
图像自动目标识别方法，其特征在于，
S102
具体的实现方法为：
1)
建立证据框架：将目标检测结果转化为证据，利用
Dempster
‑
Shafer
理论将证据进行合成；
2)
利用主观逻辑建模不确定性：将证据分配在识别框架上形式化为
Dirichlet
分布，并利用主观逻辑建模不确定性；
3)
损失函数推导：通过参数为的神经网络实现证据搜索和
Dirichlet
参数估计，推导出证据深度学习的损失函数
。5.
如权利要求1所述基于不确定性的小样本
SAR
图像自动目标识别方法，其特征在于，
S103
具体的实现方法为：
1)
来源域数据准备：利用源域数据训练分类器，并提取分类器的特征表示；
2)
目标域数据准备：利用目标域数据进行无源
FSDA
，得到目标域的特征表示；
3)
...

【专利技术属性】
技术研发人员：唐涛，周晓艳，何奇山，匡纲要，赵凌君，张思乾，雷琳，冷祥光，
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：