基于小样本的制造技术

本申请涉及一种基于小样本的

【技术实现步骤摘要】
基于小样本的SAR目标识别方法、装置及计算机设备


[0001]本申请涉及
SAR
目标识别
，特别是涉及一种基于小样本的
SAR
目标识别方法
、
装置及计算机设备
。

技术介绍

[0002]合成孔径雷达
(SAR)
在几乎所有的天气和光照条件下都具有卓越和稳定的成像能力，在各种应用中发挥着不可或缺的作用
。
作为
SAR
图像解释的一项基本且具有挑战性的任务，
SAR
自动目标识别
(SAR ATR)
几十年来一直受到长期和广泛的关注
。
特别是在深度学习
(DL)
技术的推动下，
SAR ATR
达到了前所未有的繁荣
。
[0003]但是在现有技术中，观察新类别的目标时，在大多数非合作情况下，受成像条件的限制，感兴趣的目标可能包含很少有信息线索的少数镜头实例
。
因此，当前基于
DL
的
SAR ATR
方法迫切需要促进小样本类增量学习
(FSCIL)
的能力以满足实际场景
。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够对小样本的未知类别目标进行在线学习的基于小样本的
SAR
目标识别方法
、
装置及计算机设备
。
[0005]一种基于小样本的/>SAR
目标识别方法，所述方法包括：
[0006]获取待进行目标识别的
SAR
图像；
[0007]将所述
SAR
图像输入训练后的目标识别网络中，在所述目标识别网络中由特征提取器对所述
SAR
图像的特征进行提取，将提取得到的特征映射至格拉斯曼流形空间中，通过该空间中包含的对应各种已知类别目标的子空间对提取得到的特征进行分类；
[0008]若所述
SAR
图像中的目标为未知类别，则将所述
SAR
图像作为小样本训练数据对所述目标识别网络进行在线迭代训练，进行在线迭代训练过程中，还通过利用语义边距分离损失函数以及无结构遗忘损失函数对所述特征提取器中的参数进行调整，利用深度子空间分离损失函数对所述格拉斯曼流形空间的参数进行调整，直至各损失函数均收敛，则得到具备识别该未知类别目标能力的目标识别网络；
[0009]若所述
SAR
图像中目标为已知类别，则输出目标的预测结果，以实现对所述
SAR
图像中的目标的识别
。
[0010]在其中一实施例中，在利用目标类别未知的
SAR
图像对所述目标识别网络进行在线训练后，所述目标识别网络中的格拉斯曼流形空间中包含对应该未知类别的子空间
。
[0011]在其中一实施例中，所述语义边距分离损失函数根据由所述特征提取器分别对已知类别目标的
SAR
图像和未知类别目标的
SAR
图像进行提取得到的特征构建得到，具体表示为：
[0012][0013]其中，
[0014]在上式中，
E
t
‑1表示在第
t
个学习阶段已经存储的旧类别范例，表示当前阶段用于训练的新类别数据集合，
x
a
表示从所选取的锚点样本，
x
i
和
x
j
分别为从所中所选择的正样本和从
E
t
‑1所选择的负样本，
d(x
a
,x
i
)
表示锚点与正样本的余弦距离，
d(x
a
,x
j
)
代表锚点与负样本的余弦距离，
f
φ
表示可训练的特征提取器
。
[0015]在其中一实施例中，所述无结构遗忘损失函数根据前一次在线迭代训练前的目标识别网络中特征提取器提取的特征，与当前目标识别网络中特征提取器提取的特征构建得到，具体表示为：
[0016][0017]其中，
[0018]在上式中，与分别定义为空间与全局损失约束，
s
t
‑1(x
i
)
与
s
t
(x
i
)
分别代表由第
t
个和第
t
‑1个阶段的特征提取器针对样本
x
i
所输出的空间特征，与代表输出的全局特征值，其中，在第
t
个阶段，样本
x
i
选自当前所有训练样本集合
[0019]在其中一实施例中，所述深度子空间分离损失函数根据所述格拉斯曼流形空间中新建立的未知类别目标对应的子空间与所有已知类别目标对应的子空间进行构建得到，具体表示为：
[0020][0021]其中，
[0022]在上式中，表示第
t
个阶段的新类别集，表示历史类别集，
d
P
(Y
j
,Y
k
)
计算了两个子空间
Y
j
与
Y
k
的流形空间距离，其中，
Y
k
表示在格拉斯曼流形空间中已存在的已知类别目标对应的子空间，
Y
j
表示在格拉斯曼流形空间中新建的未知类别目标对应的子空间
。
[0023]在其中一实施例中，所述特征提取器采用
CNN
神经网络
。
[0024]在其中一实施例中，所述基于小样本的
SAR
目标识别方法还包括在获取待进行目标识别的
SAR
图像之前对所述目标识别网络进行训练，包括：
[0025]获取
SAR
训练数据集，所述
SAR
训练数据集中包括多个已知类别目标的
SAR
训练图像集，且各已知类别目标对应的训练图像集中包括多张
SAR
训练图像；
[0026]根据所述
SAR
训练数据集构建一个用于基类训练阶段的基类训练数据集，以及多个用于小样本增量学习阶段的小样本训练数据集；
[0027]在基类训练阶段，将所述基类训练数据集输入至所述目标识别网络中对其进行迭代训练，并采用余弦交叉熵损失函数在每一次迭代训练中对所述目标识别网络中的特征提取器的参数进行调整，直至收敛，则得到具备识别基类目标能力的目标识别网络，且此时目标识别网络中的格拉斯曼流形空间包含各基类目标对应的子空间；
[0028]根据方位角感知范例选择策略在所述基类训练数据集中进行样本挑选，将挑选得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于小样本的
SAR
目标识别方法，其特征在于，所述方法包括：获取待进行目标识别的
SAR
图像；将所述
SAR
图像输入训练后的目标识别网络中，在所述目标识别网络中由特征提取器对所述
SAR
图像的特征进行提取，将提取得到的特征映射至格拉斯曼流形空间中，通过该空间中包含的对应各种已知类别目标的子空间对提取得到的特征进行分类；若所述
SAR
图像中的目标为未知类别，则将所述
SAR
图像作为小样本训练数据对所述目标识别网络进行在线迭代训练，进行在线迭代训练过程中，还通过利用语义边距分离损失函数以及无结构遗忘损失函数对所述特征提取器中的参数进行调整，利用深度子空间分离损失函数对所述格拉斯曼流形空间的参数进行调整，直至各损失函数均收敛，则得到具备识别该未知类别目标能力的目标识别网络；若所述
SAR
图像中目标为已知类别，则输出目标的预测结果，以实现对所述
SAR
图像中的目标的识别
。2.
根据权利要求1所述的
SAR
目标识别方法，其特征在于，在利用目标类别未知的
SAR
图像对所述目标识别网络进行在线训练后，所述目标识别网络中的格拉斯曼流形空间中包含对应该未知类别的子空间
。3.
根据权利要求1所述的
SAR
目标识别方法，其特征在于，所述语义边距分离损失函数根据由所述特征提取器分别对已知类别目标的
SAR
图像和未知类别目标的
SAR
图像进行提取得到的特征构建得到，具体表示为：其中，在上式中，
E
t
‑1表示在第
t
个学习阶段已经存储的旧类别范例，表示当前阶段用于训练的新类别数据集合，
x
a
表示从所选取的锚点样本，
x
i
和
x
j
分别为从所中所选择的正样本和从
E
t
‑1所选择的负样本，
d(x
a
,x
i
)
表示锚点与正样本的余弦距离，
d(x
a
,x
j
)
代表锚点与负样本的余弦距离，
f
φ
表示可训练的特征提取器
。4.
根据权利要求3所述的
SAR
目标识别方法，其特征在于，所述无结构遗忘损失函数根据前一次在线迭代训练前的目标识别网络中特征提取器提取的特征，与当前目标识别网络中特征提取器提取的特征构建得到，具体表示为：其中，在上式中，与分别定义为空间与全局损失约束，
s
t
‑1(x
i
)
与
s
t
(x
i
)
分别代表由第
t
个和第
t
‑1个阶段的特征提取器针对样本
x
i
所输出的空间特征，与代表输出的全局特征值，其中，在第
t
个阶段，样本
x
i
选自当前所有训练样本集合
5.
根据权利要求4所述的
SAR
目标识别方法，其特征在于，所述深度子空间分离损失函数根据所述格拉斯曼流形空间中新建立的未知类别目标对应的子空间与所有已知类别目
标对应的子空间进行构建得到，具体表示为：其中，在上式中，表示第
t
个阶段的新类别集，表示历史类别集，
d
P
(Y
j
,Y
k
)
计算了两个子空...

【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，计科峰，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：