一种基于记忆增强权重对齐的SAR目标持续学习方法技术

本发明专利技术公开了一种基于记忆增强权重对齐的SAR目标持续学习方法，包括设计基于回放旧样本的SAR目标持续学习模块，对新旧类别进行识别；设计基于内存增强的权重对齐模块，得到最具代表性的可回放样本，缓解持续学习中的灾难性遗忘问题；设计增量条件下的渐进式采样策略，保证训练过程中样本均衡问题；设计特征空间距离向量，增大类间特征向量距离，较少类内特征向量距离。本发明专利技术可以实现合成孔径雷达图像持续学习。

【技术实现步骤摘要】

本专利技术涉及sar目标持续学习，尤其是涉及一种基于记忆增强权重对齐的sar目标持续学习方法。

技术介绍

1、sar(合成孔径雷达)图像是一种重要的成像技术之一。sar系统利用雷达发射一系列脉冲，然后接收反射回来的信号，利用接收到的信号数据生成雷达图像。与光学图像相比，sar图像具有天气无关、全天候观测能力和穿透能力等优势。

2、在sar图像的应用中，增量学习是一种重要的方法。增量学习是机器学习领域的子领域，它涉及到从不断到达的数据流中学习和更新模型。而sar图像增量学习主要包括以下方面：

3、目标识别和分类：sar图像中的目标物体具有独特的散射特性，这些特性可以用于目标的识别和分类。通过增量学习方法，可以持续地接收新的sar图像数据，并利用已有的模型进行增量更新。这样可以更好地适应新的目标类别，并进一步提高目标识别和分类的性能。

4、地物变化监测：sar图像可以用于监测地球表面的变化，例如建筑物的改变、地表植被的发展等。利用增量学习，我们可以根据新的sar图像数据不断更新地物变化模型，实现对地表变化的快速监测和响应。<本文档来自技高网...

【技术保护点】

1.一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于，包括：

2.根据权利要求1所述的一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于：所述S1具体包括建立深度学习特征提取网络，蒸馏损失函数，类增量样本均值分类器；其中，蒸馏损失的数学表达式为：

3.根据权利要求2所述的一种基于记忆增强权重对齐的SAR目标持续学习方法，其特征在于：所述深度学习特征提取网络包括卷积层，批量归一化层，激活函数层，注意力机制层；其中，注意力机制层网络由压缩模块和激励模块两个部分组成，首先经过卷积操作之后的特征图，与其自身经过空间卷积之后获得的特征图相乘，获得最终的...

【技术特征摘要】

1.一种基于记忆增强权重对齐的sar目标持续学习方法，其特征在于，包括：

2.根据权利要求1所述的一种基于记忆增强权重对齐的sar目标持续学习方法，其特征在于：所述s1具体包括建立深度学习特征提取网络，蒸馏损失函数，类增量样本均值分类器；其中，蒸馏损失的数学表达式为：

3.根据权利要求2所述的一种基于记忆增强权重对齐的sar目标持续学习方法，其特征在于：所述深度学习特征提取网络包括卷积层，批量归一化层，激活函数层，注意力机制层；其中，注意力机制层网络由压缩模块和激励模块两个部分组成，首先经过卷积操作之后的特征图，与其自身经过空间卷积之后获得的特征图相乘，获得最终的特征图；该特征图包含了全局感受野，即全局信息，将注意力机制层与特征图相乘后，便获得了经注意力机制作用后的特征图。

4.根据权利要求3所述的一种基于记忆增强权重对齐的sar目标持续学习方法，其特征在于：所述注意力机制层包括空间信息压缩层，空间信息扩展层，融合层。

5.根据权利要求4所述的一种基于记忆增强权重对齐的sar目标持续学习方法，其特征在于：所述s2具体包括建立编码器网络，解码器网络，记忆模块，权重对齐模块；其中，该对齐模块包含编码器，内存寻址模块；其中，编码器的结构通过全连接层和激活函数得到，表示如下：

<...

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