【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种基于图卷积的空间目标少样本增量识别方法及系统。
技术介绍
1、与光学探测设备相比，逆合成孔径雷达（inverse synthetic aperture radar,isar）受气象条件影响较小，具备全天时、全天候、高精度、远距离探测的优势，在空间环境监视、空间目标探测识别等领域发挥重要作用。
2、isar成像比光学成像更容易受到环境噪声的影响。现有基于深度学习的识别方法虽然取得了一定的研究成果，但训练样本和未知样本匮乏易导致不同目标的可分离特征提取困难。少样本数据困境是基于isar图像的空间目标识别任务必须面临的重要挑战。更重要的是，被重新检测的目标之间的间隔正在减少，逆合成孔径雷达数据的更新频率逐渐提高。
3、真实的识别任务需要在开放场景中完成，传统识别算法仅在训练样本和测试样本分布相似的理想空间取得了较好的实验效果，难以识别开放场景中的未知类别。isar空间目标数据的获取是一个增量的过程。遥感与太空环境监视等任务要求isar目标自动识别系统须在任何时候均具备对新类别的处理能力。然而短时间内收集大批量数据训练理想分布的模型较为困难。捕获到的新目标在训练阶段未知，很容易被分类成为已知类别。另一方面，训练数据的增加利于模型识别准确度的提升，但是对已训练过的样本重复训练造成了大量时间及存储资源的浪费，难以满足太空环境监视的实时性要求。
4、随着雷达卫星的快速发展，其在灾害检测、地形测绘与目标探测等领域的重要性愈发凸显。isar具有高精度、远距离探测优势，广泛用于空间
5、高质量地提取目标特征是提高目标识别准确度，实现雷达空间目标探测、空间目标监视等任务的重要保证。目前，多数空间目标识别算法所用特征仍依赖雷达技术人员手动设计特征，人工设计的目标特征受技术人员主观因素影响大，同时需耗费大量的时间成本。算法阈值需多次实验测试确定，鲁棒性较低，难以满足保证较高的准确度与时效性。
6、基于卷积神经网络的深度学习算法在数据建模与特征提取方面具有强大优势，一经出现即得到各领域研究人员的广泛关注。现有多数基于深度学习的isar空间目标识别方法利用卷积神经网络完成图像的特征提取与识别。但上述方法将卫星图像转化为高维向量的建模方式忽略了空间目标内含的拓扑结构，识别效果有待提升。图卷积是将传统的卷积神经网络推广到图域，是一种有效的图表示模型。它可以在学习过程中自然地将结构信息和节点特征结合起来，通过聚集来自其他邻居（包括自身）的特征向量来表示一个节点。作为神经网络的重要分支，gcn能够捕捉传感器间的空间依赖关系，有效保存任意深度的节点特征状态，构建更加准确的节点特征表示。基于图卷积的识别模型在处理非结构化的图数据方面具有优势。为充分利用数据特征，本专利技术提取空间目标的散射拓扑特征，增强了模型的泛化能力和表达能力。结合散射拓扑特征训练模型，使识别模型能够充分学习目标的全局性与局部性特征，利于进一步改善空间目标识别效果。
7、归因于先进的学习机制和具有充分监督的大规模数据集，在过去的几年中，基于图像的识别技术发展迅速。然而，机器学习机制仍然是认知学习无法比拟的。真实世界中新类别持续出现，模型需针对任务需求迅速更新识别能力。目前先进的深度学习方法必须经过训练才能适应新的类别，无法实时学习新类别。然而在出现新类别时重新训练，将导致显著的时间成本和计算开销。此外，isar成像需较长的积累时间。当观测到某类新的数据时，标记的数据数量有限。空间环境监视任务要求设备在有限数据中用最少的资源学习，并要能及时有效完成能力迭新。
8、进一步地，isar成像比光学成像更易受到环境噪声的影响。由于少样本增量识别任务中训练样本和未知样本匮乏，不同目标的可分离特征提取更加困难。一方面，在增量学习阶段，模型参数针对新类别不断微调的同时会干扰已知类的特征分布，可能导致严重的灾难性遗忘问题。另一方面，新类别样本数较少，可能使模型偏向于旧类别，将导致分布崩溃与过拟合现象。因此，在isar空间目标识别领域应用小样本增量学习任务具有挑战性。
技术实现思路
1、本申请实施例提供一种基于图卷积的空间目标少样本增量识别方法及系统，用以通过从训练集中重复采样伪增量任务，可以将识别能力从旧类推广到新类，在仅有少量训练数据时，充分探索了空间目标重要散射点之间的复杂关系。
2、本申请实施例提供一种基于图卷积的空间目标少样本增量识别方法，包括如下步骤：
3、获取isar图像数据作为输入，提取所获取的isar图像数据中的空间目标散射特征；
4、根据提取的空间目标散射特征建立拓扑关系，并根据所建立的拓扑关系划分少样本基础类数据集以及少样本增量类数据集；
5、从所述少样本基础类数据集中、每次抽取两个不同类别的数据，并进行融合，以作为虚拟的增量类；
6、将虚拟的增量类与所述少样本基础类数据集合并，以训练增量目标识别模型，其中所述增量目标识别模型包括串行连接的三个图卷积层（gconv）与图贡献率池化模块（gcpooling），以用于散射拓扑图数据中的节点特征的传播以及特征提取，其中每个图卷积块之间使用节点加权模块（graph weighted layer，gwt）增强主要节点的权重；
7、将训练后的增量目标识别模型用于空间目标识别。
8、可选的，提取所获取的isar图像数据中的空间目标散射特征包括：
9、利用shi-tomasi角点检测算法提取空间目标散射点；
10、利用局部搜索对散射点数进行寻优，并设定检测所得最大散射点数；
11、对检测获得的散射点进行编码、保存。
12、可选的，根据提取的空间目标散射特征建立拓扑关系，并根据所建立的拓扑关系划分少样本基础类数据集以及少样本增量类数据集包括：
13、利用delaunay算法处理检测获得的散射点；
14、将处理后的散射点作为顶点，在满足“最大-最小角”优化准则的条件下，利用散射点空间位置关系进行三角剖分，将三角剖分后所得各三角形的边作为散射点之间的连接关系；
15、将检测获得的散射点作为节点，将散射点之间的连接关系作为边，构建拓扑关系；
16、按照设定的比例划分少样本基础类数据集以及少样本增量类数据集。
17、可选的，从所述少样本基础类数据集中、每次抽取两个不同类别的数据，并进行融合，以作为虚拟的增量类包括：
18、从所述少样本基础类数据集中、每次随机抽取两个不同类别的数据；
19、将抽取的两个不同类别的数据，通过如下方式融合：
20、
21、其中，为函数运算，用于处理x特征并进行拟合，为beta分布中的采样值，z表示抽取数据融合后得到的特征，以及相应的标签，g表示数据融合处理。
22、可选的，所述增量目标识别模型还包括自适应加权融合模块（adaptive mix）；
【技术保护点】
1.一种基于图卷积的空间目标少样本增量识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于图卷积的空间目标少样本增量识别方法，其特征在于，提取所获取的ISAR图像数据中的空间目标散射特征包括：
3.如权利要求2所述的基于图卷积的空间目标少样本增量识别方法，其特征在于，根据提取的空间目标散射特征建立拓扑关系，并根据所建立的拓扑关系划分少样本基础类数据集以及少样本增量类数据集包括：
4.如权利要求1所述的基于图卷积的空间目标少样本增量识别方法，其特征在于，从所述少样本基础类数据集中、每次抽取两个不同类别的数据，并进行融合，以作为虚拟的增量类包括：
5.如权利要求1所述的基于图卷积的空间目标少样本增量识别方法，其特征在于，所述增量目标识别模型还包括自适应加权融合模块（Adaptive Mix）；
6.如权利要求5所述的基于图卷积的空间目标少样本增量识别方法，其特征在于，所述图贡献率池化模块对散射拓扑特征处理过程满足：
7.如权利要求6所述的基于图卷积的空间目标少样本增量识别方法，其特征在于，所述Adap
8.一种基于图卷积的空间目标少样本增量识别系统，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于图卷积的空间目标少样本增量识别方法的步骤。
...【技术特征摘要】
1.一种基于图卷积的空间目标少样本增量识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于图卷积的空间目标少样本增量识别方法，其特征在于，提取所获取的isar图像数据中的空间目标散射特征包括：
3.如权利要求2所述的基于图卷积的空间目标少样本增量识别方法，其特征在于，根据提取的空间目标散射特征建立拓扑关系，并根据所建立的拓扑关系划分少样本基础类数据集以及少样本增量类数据集包括：
4.如权利要求1所述的基于图卷积的空间目标少样本增量识别方法，其特征在于，从所述少样本基础类数据集中、每次抽取两个不同类别的数据，并进行融合，以作为虚拟的增量类包括：
5.如权利要求1所述的基于...
【专利技术属性】
技术研发人员：朱卫纲，李晨瑄，李炫潮，邱磊，何永华，杨君，曲卫，庞鸿锋，李彩萍，朱霸坤，邱琳琳，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
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。