基于小样本增量学习的SAR图像目标识别方法及装置制造方法及图纸

本申请涉及一种基于小样本增量学习的SAR图像目标识别方法及装置，通过在基类训练时，基于基类数据集中的SAR样本图像，构建多类目标混淆训练集以及单类目标旋转训练集以增加训练的目标类别，使得训练后的特征提取器可对真实识别场景下的未知目标特征敏捷提取和表征。在进行增量类训练时，基于增量类数据集，按照N类别K样本进行多次随机采样构建多个小样本训练集，在进行增量类训练，期间，将特征提取器解耦为静态特征提取部分和动态更新部分，并采用类印记交叉熵损失对特征提取器以及分类器的可调参数进行优化，特别的，在进行每一批次的增量类训练时，将当前特征提取器得到的训练样本均值作为类印记交叉熵损失中的类印记初始值。采用本方法可以解决在进行小样本训练时面临的灾难性遗忘和过拟合两大问题，使得该SAR目标识别方法可以应用于开放动态环境中。

【技术实现步骤摘要】

本申请涉及sar目标识别，特别是涉及一种基于小样本增量学习的sar图像目标识别方法及装置。

技术介绍

1、合成孔径雷达(synthetic aperture radar,sar)是一种主动式微波探测器，具备对感兴趣目标全天时、全天候的观测能力，在诸多领域(如灾害预警、地质勘探、国土防御)应用广泛。作为sar图像解译的基础应用，sar图像自动目标识别(sar automatic targetrecognition,sar atr)旨在根据目标在sar图像中的特征，对其进行准确快速的定位与识别。因其可提供丰富的信息指引，受到来自学术与工业界广泛持续的关注。

2、近年来，随着深度学习(deep learning,dl)技术的发展，基于dl技术的sar atr算法也取得显著进步。毫无疑问，凭借强大的特征提取与判别能力，基于dl技术的算法已在诸多识别任务上较传统算法取得显著优势。然而，这些先进算法大多仅聚焦于理想条件的封闭环境目标识别，其通常假设预测阶段所见样本类别与初始训练集中的一致，且不随部署环境差异而改变。显然，这与开放动态的sar atr现实应用本文档来自技高网...

【技术保护点】

1.一种基于小样本增量学习的SAR图像目标识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的SAR图像目标识别方法，其特征在于，所述基于所述基类数据集中的SAR样本图像，构建多类目标混淆训练集包括：

3.根据权利要求2所述的SAR图像目标识别方法，其特征在于，目标在SAR样本图像中具有强散射的部件形状包括二面角、三面角、柱状以及球状。

4.根据权利要求3所述的SAR图像目标识别方法，其特征在于，所述根据目标类别不同的SAR样本图像，将不同强散射部件进行随机组合采用以下公式:

5.根据权利要求2所述的SAR图像目标识别方法，其特征...

【技术特征摘要】

1.一种基于小样本增量学习的sar图像目标识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的sar图像目标识别方法，其特征在于，所述基于所述基类数据集中的sar样本图像，构建多类目标混淆训练集包括：

3.根据权利要求2所述的sar图像目标识别方法，其特征在于，目标在sar样本图像中具有强散射的部件形状包括二面角、三面角、柱状以及球状。

4.根据权利要求3所述的sar图像目标识别方法，其特征在于，所述根据目标类别不同的sar样本图像，将不同强散射部件进行随机组合采用以下公式:

5.根据权利要求2所述的sar图像目标识别方法，其特征在于，所述基于所述基类数据集中的sar样本图像，构建单类目标旋转训练集包括：

...

【专利技术属性】
技术研发人员：赵凌君，赵琰，张思乾，雷琳，熊博莅，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：