基于深度稀疏编码模型的可解释目标识别方法技术

本申请涉及一种基于深度稀疏编码模型的可解释目标识别方法

【技术实现步骤摘要】
基于深度稀疏编码模型的可解释目标识别方法、装置及设备


[0001]本申请涉及
SAR
图像目标识别
，特别是涉及一种基于深度稀疏编码模型的可解释目标识别方法
、
装置及设备
。

技术介绍

[0002]近年来，深度学习技术蓬勃发展，已经被广泛地应用于
SAR
图像解译领域
。
然而，深度学习技术是基于数据驱动的，通过在巨大的参数空间中拟合隐式的目标函数以实现特定的任务，人们难以理解其犹如黑盒的工作机理和决策逻辑
。
[0003]目前的深度学习模型可解释性可以分为两类方法，包括事后可解释性和事前可解释性
。
其中，事后可解释性通过特征可视化，案例分析等手段来解释现有模型，例如针对类激活图，利用网络层中类别相关的参数信息或梯度信息可视化原始图像在网络模型中的响应，有效地解释了模型“关注”的内容，在感应电机故障信号分类中，利用逐层相关性传播
(Layer
‑
wise Relevance Propagation
，
LRP)
算法生成像素级的解释，更好地展示了信号中的关键切片对于诊断结果的影响
。
由于预测和解释是两个独立过程，事后可解释性方法的优点在于不影响模型的预测性能
。
然而，基于事后的可解释性通常与真实模型存在偏差，并且这种风险是难以避免的
。
而事前可解释性往往依据物理或数学模型主动改变网络结构或者训练过程，以获得更好的可解释性和模型透明度
。
在一些现有技术中，将物理模型预测结果作为模型学习的约束条件，提出用于水温反演的物理学习框架
。
或者是在
CNN
框架中嵌入连续小波卷积层来提取可解释的特征
。
基于事前可解释性的方法意味着在深度网络中引入更多的正则化约束或可解释的理论模型，以获取更具可解释性的特征
。
[0004]在
SAR
目标识别领域，深度学习模型的可解释性引起越发广泛的关注
。
在深度网络中引入
SAR
相关的先验知识辅助判决不仅有利提升模型的泛化性能，而且有助于提升模型的可解释性
。
将属性散射中心模型提供的电磁散射信息嵌入深度学习模型有效地提升了
SAR
目标识别模型的鲁棒性，并且基于此，在现有技术中已经提出了多种相关的深度学习模型用于
SAR
目标识别领域，但是均缺乏专家知识
/
理论模型对深度网络学习的深层次整合，仍然不能有效地提升模型的可解释性
。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够在提高可解释性的同时具备精准识别能力的基于深度稀疏编码模型的可解释目标识别方法
、
装置及设备
。
[0006]一种基于深度稀疏编码模型的可解释目标识别方法，所述方法包括：
[0007]获取待进行目标识别的
SAR
图像；
[0008]将所述
SAR
图像输入基于深度展开网络的卷积稀疏编码模型中，由该模型对所述
SAR
图像进行稀疏分解后提取得到表示目标低维度特征的稀疏特征；
[0009]将所述稀疏特征输入特征学习模型中，由该特征学习模型从所述稀疏特征中获取判别性特征表示，并提取所述稀疏特征中潜在的类别语义特征；
[0010]将所述类别语义信息输入分类模型中，对所述
SAR
图像中的目标进行识别
。
[0011]在其中一实施例中，所述基于深度展开网络的卷积稀疏编码模型基于可学习的软阈值迭代算法进行构建，包括多个依次连接的特征提取单元，每个所述特征提取单元对应一次迭代计算
。
[0012]在其中一实施例中，各所述特征提取单元实施以下计算：
[0013][0014]其中，
[0015]在上式中，表示非负的软阈值收缩算子，
θ
和
1/L
分别表示阈值和矩阵因子，均为可学习的变量值，
D
表示可学习的字典参数，
X
表示输入第一个特征提取单元的
SAR
图像，
Z
i
表示第
i
个特征提取单元提取得到的特征，
Z
i+1
表示第
i+1
个特征提取单元提取得到的特征，
Conv(
·
)
表示卷积操作，
Deconv(
·
)
表示反卷积操作
。
[0016]在其中一实施例中，特征学习模型包括依次连接的池化层
、
残差层以及全局平均池化层
。
[0017]在其中一实施例中，所述将所述稀疏特征输入特征学习模型中，由该特征学习模型从所述稀疏特征中获取判别性特征表示，并提取所述稀疏特征中潜在的类别语义特征包括：
[0018]利用步长为2的池化层对所述稀疏特征的尺寸进行压缩，得到压缩后的稀疏特征；
[0019]利用4个依次连接的残差层对所述压缩后的稀疏特征进行特征提取，得到目标的高维语义信息；
[0020]利用所述全局平均池化层降低所述高维语义信息的维度，得到所述类别语义特征
。
[0021]在其中一实施例中，将所述基于深度展开网络的卷积稀疏编码模型
、
特征学习模型以及分类模型进行依次连接构建可解释目标识别网络；
[0022]将所述待进行目标识别的
SAR
图像输入所述可解释目标识别网络中，对所述
SAR
图像中的目标进行可解释识别
。
[0023]在其中一实施例中，在对所述目标识别网络进行训练时，采用交叉熵损失函数对其进行训练，所述交叉熵损失函数表示为：
[0024][0025]在上式中，
N
表示训练样本的数量，
C
表示类别数量，
y
ic
表示符号函数，当且仅当样本
i
的真实类别为
c
时取值为1，否则为0，
p
ic
表示观测样本
i
属于类别
c
的概率，可以通过预测标签经过
Softmax
函数得到
。
[0026]一种基于深度稀疏编码模型的可解释目标识别装置，所述装置包括：
[0027]SAR
图像获取模块，用于获取待进行目标识别的
SAR
图像；
[0028]稀疏特征提取模块，用于将所述
SAR
图像输入基于深度展开网络的卷积稀疏编码模型中，由该模型对所述
SAR
图像进行稀疏分解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度稀疏编码模型的可解释目标识别方法，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
图像输入基于深度展开网络的卷积稀疏编码模型中，由该模型对所述
SAR
图像进行稀疏分解后提取得到表示目标低维度特征的稀疏特征；将所述稀疏特征输入特征学习模型中，由该特征学习模型从所述稀疏特征中获取判别性特征表示，并提取所述稀疏特征中潜在的类别语义特征；将所述类别语义信息输入分类模型中，对所述
SAR
图像中的目标进行识别
。2.
根据权利要求1所述的可解释目标识别方法，其特征在于，所述基于深度展开网络的卷积稀疏编码模型基于可学习的软阈值迭代算法进行构建，包括多个依次连接的特征提取单元，每个所述特征提取单元对应一次迭代计算
。3.
根据权利要求2所述的可解释目标识别方法，其特征在于，各所述特征提取单元实施以下计算：其中，在上式中，表示非负的软阈值收缩算子，
θ
和
1L
分别表示阈值和矩阵因子，均为可学习的变量值，
D
表示可学习的字典参数，
X
表示输入第一个特征提取单元的
SAR
图像，
Z
i
表示第
i
个特征提取单元提取得到的特征，
Z
i+1
表示第
i+1
个特征提取单元提取得到的特征，
Conv(
·
)
表示卷积操作，
Deconv(
·
)
表示反卷积操作
。4.
根据权利要求1所述的可解释目标识别方法，其特征在于，特征学习模型包括依次连接的池化层
、
残差层以及全局平均池化层
。5.
根据权利要求4所述的可解释目标识别方法，其特征在于，所述将所述稀疏特征输入特征学习模型中，由该特征学习模型从所述稀疏特征中获取判别性特征表示，并提取所述稀疏特征中潜在的类别语义特征包括：利用步长为2的池化层对所述稀疏特征的尺寸进行压缩，得到压缩后的稀疏特征；利用4个依次连接的残差层对所述压缩后的稀疏特征进行特征提取，得到目标的高维语义信息；利用所述全局平均...

【专利技术属性】
技术研发人员：张思乾，陈果，计科峰，匡纲要，赵凌君，雷琳，
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：