【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现实应用场景极不相称。随着sar成像技术的日益成熟，高分辨率sar影像的数量呈现出迅猛的增长态势，新类别目标也更加层出不穷。然而，在大多数非合作场景下，受限于观测环境、成像平台以及目标自身等诸多因素制约，可观测样本数量极其有限，所提供的类判别性信息更加混淆。特别地，受限于存储和计算资源、数据安全与隐私等制约，存储并反复访问历史数据极其低效甚至被禁止。
3、因此，研究提升基于
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够在开放动态环境中对小样本新类别目标进行持续学习和判断的基于小样本增量学习的sar图像目标识别方法及装置。
2、一种基于小样本增量学习的sar图像目标识别方法，所述方法包括：
3、获取基类和增量类数据集，基类数据集和增量类数据集中均包括多个目标类别的sar样本图像，且每一种目标类别均包括多张sar样本图像；
4、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以及单类目标旋转训练集；
5、将所述多类目标混淆训练集以及单类目标旋转训练集中的训练样本和原始训练集中的训练样本一并输入至特征提取器以及分类器中进行基类训练，其中，所述特征提取器根据训练样本的特征构建特征空间；
6、基于所述增量类数据集，按照n个类别，每个类别包含k个样本进行多次随机采样构建多个小样本训练集；
7、利用多个所述小样本训练集依次对完成基类训练的特征提取器以及分类器进行多轮次的增量类训练，其中，将所述特征提取器解耦为静态特征提取部分和动态参数更新部分，并采用类印记交叉熵损失对所述特征提取器以及分类器参数进行优化，其中，在进行每一轮次的增量类训练初始时，以前一阶段特征提取器得到的同类别训练样本均值作为所述类印记交叉熵损失中的类印记初始值；
8、获取待识别sar目标图像，将所述待识别sar目标图像输入至完成增类训练的特征提取器以及分类器，以实现目标识别。
9、在其中一实施例中，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：
10、根据属性散射中心理论，目标在sar样本图像中均由多个强散射部件构成；
11、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，构建得到新目标类别的虚拟目标sar样本图像；
12、根据多个虚拟目标sar样本图像进行构建，得到所述多类目标混淆训练集。
13、在其中一实施例中，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。
14、在其中一实施例中，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:
15、
16、在上式中，λ表示控制真实与虚拟类别重叠性系数，beta(a,a)表示采样分布，表示生成类的目标散射特征，表示所选取某一真实类目标的散射特征，x′j表示所选取另一真实类的目标散射特征。
17、在其中一实施例中，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：
18、将所述sar样本图像中的目标，按照预设角度进行旋转，得到旋转目标sar样本图像；
19、根据多张所述旋转目标sar样本图像进行构建，得到所述单类目标旋转训练集。
20、在其中一实施例中，所述类印记交叉熵损失表示为：
21、
22、
23、在上式中，ft(xit；q)表示第t个学习阶段特征提取器，上标t表示第t个学习阶段，xi表示训练样本，yi表示真值标签，dt表示第t个学习阶段目标训练集，wc表示类印记。
24、在其中一实施例中，在增量类训练中，所述特征提取器参数可解耦表示为：
25、
26、在上式中，表示所述静态特征提取部分，gt(×；q)表示参数动态更新部分。
27、在其中一实施例中，所述特征提取器以及分类器构建为一个神经网络，并将该神经网络作为sar目标识别网络。
28、在其中一实施例中，所述获取待识别sar目标图像，将所述待识别sar目标图像输入至完成增类训练的特征提取器以及分类器，以实现目标识别之后，还包括：
29、若所述待识别sar目标图像中的目标为未知类别，则将其所述小样本训练集中的训练样本，对所述sar目标识别网络进行增量类在线训练。
30、本申请还提供了一种基于小样本增量学习的sar图像目标识别装置，所述装置包括：
31、数据集获取模块，用于获取基类和增量类数据集，基类数据集和增量类数据集中均包括多个目标类别的sar样本图像，且每一种目标类别均包括多张sar样本图像；
32、基类训练集构建模块，用于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以及单类目标旋转训练集；
33、基类训练模块，用于将所述多类目标混淆训练集以及单类目标旋转训练集中的训练样本和原始训练集中的训练样本一并输入至特征提取器以及分类器中进行基类训练，其中，所述特征提取器根据训练样本的特征构建特征空间；
34、小样本训练集构建模块，用于基于所述增量类数据集，按照n个类别，每个类别包含k个样本进行多次随机采样构建多个小样本训练集；
35、增量类训练模块，用于利用多个所述小样本训练集依次对完成基类训练的特征提取器以及分类器进行多轮次的增量类训练，其中，将所述特征提取器解耦为静态特征提取部分和动态参数更新部分，并采用类印记交叉熵损失对所述特征提取器以及分类器本文档来自技高网...
【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：
6.根据权利要求5所述的SAR图像目标识别方法，其特征在于，所述类印记交叉熵损失表示为：
7.根据权利要求6所述的SAR图像目标识别方法，其特征在于，在增量类训练中，所述特征提取器参数可解耦表示为：
8.根据权利要求1-7任一项所述的SAR图像目标识别方法，其特征在于，所述特征提取器以
9.根据权利要求8所述的SAR图像目标识别方法，其特征在于，所述获取待识别SAR目标图像，将所述待识别SAR目标图像输入至完成增类训练的特征提取器以及分类器，以实现目标识别之后，还包括：
10.一种基于小样本增量学习的SAR图像目标识别装置，其特征在于，所述装置包括：
...【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：
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。