一种基于优化特征空间分布的目标增量识别方法及系统技术方案

本发明专利技术公开了一种基于优化特征空间分布的目标增量识别方法及系统，包括S1、建立深度卷积神经网络；S2、利用基础数据和增量数据对深度卷积神经网络进行基础学习和增量学习；S3、将待测图像输入完成训练的深度卷积神经网络，得到图像的分类预测结果。本发明专利技术基于深度卷积神经网络，设计了一种基于优化特征空间分布的目标增量学习方法，该方法在维持旧类别特征的可分性的前提下，增强新旧类别特征之间的可分性，最终使分类模型能够正确区分的目标类别不断增加。

【技术实现步骤摘要】

本专利技术设计图像自动识别领域，尤其是涉及一种基于优化特征空间分布的目标增量识别方法及系统。

技术介绍

1、合成孔径雷达(synthet ic aperture radar，sar)能够全天候、全天时地获取高分辨图像。目前，基于神经网络的sar图像自动识别模型已经取得了优秀的性能。然而，这些模型大多是对数据集“闭合”的，它们在固定的训练集上进行反复迭代直至收敛，最终获得对当前任务中所有类别的分类能力。一旦学习新任务，便会遭遇“灾难性遗忘”，即在旧任务上的性能大幅下降。在实际应用中，各种目标的sar图像样本通常并非一次性获取，而是多次探测并分批获取。这就要求分类模型拥有在学习到一定分类能力的基础上，能够继续处理新的样本，甚至学习新类别的能力，而常规的sar图像自动识别模型无法满足这些实际需求。

2、类增量学习算法能够实现在保存模型旧知识的前提下使模型持续学习新知识。具体来说，神经网络首先在具有一定类别的基础任务上训练，随后包含若干新类别的新任务随时间依次到达。上一阶段的模型用于初始化新模型，新模型在新任务上学习以获得对新类别的分类能力。随着新任务本文档来自技高网...

【技术保护点】

1.一种基于优化特征空间分布的目标增量识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述输入层包括依次连接的一个7*7卷积层、一个BN层、一个ReLU激活函数层和一个最大池化层。

3.根据权利要求1所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述特征提取层包括4个依次连接的单元，分别由2、2、2和2个残差模块构成，所述残差模块由依次连接的两个卷积模块构成，卷积模块由依次连接的一个3*3卷积、一个BN层、一个ReLU激活函数层构成；在第二个卷积模块的ReLU激活函数层之前，存在一个跳跃...

【技术特征摘要】

1.一种基于优化特征空间分布的目标增量识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述输入层包括依次连接的一个7*7卷积层、一个bn层、一个relu激活函数层和一个最大池化层。

3.根据权利要求1所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述特征提取层包括4个依次连接的单元，分别由2、2、2和2个残差模块构成，所述残差模块由依次连接的两个卷积模块构成，卷积模块由依次连接的一个3*3卷积、一个bn层、一个relu激活函数层构成；在第二个卷积模块的relu激活函数层之前，存在一个跳跃连接节点，第二个卷积模块bn层的输出在此处与整个残差模块的输入相加。

4.根据权利要求1所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述输出层包含2个依次连接的...

【专利技术属性】
技术研发人员：高飞，孔令哲，王俊，孙进平，许小剑，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：