[发明专利]面向小样本残差学习的合成孔径雷达目标识别方法

说明书

本发明公开了面向小样本残差学习的合成孔径雷达目标识别方法，针对SAR图像目标识别任务中人工的高成本以及样本数据有限的问题，该方法使用了18层的残差网络作为基础网路结构，将深度残差学习应用到SAR小样本目标识别中，并将Dropout引入了每个残差块的结构中。使用了Softmax Loss和Center Loss这两种损失函数组合所构成的目标函数来进行监督。本发明主要的实施对象是机载聚束式合成孔径雷达所采集的图像，主要工作是对其进行目标识别。

技术领域

本发明涉及一种基于残差网络的小样本学习的合成孔径雷达目标识别方法，属于合成孔径雷达自动目标识别技术领域。

背景技术

合成孔径雷达(SyntheticAperture Radar，SAR)是一种基于主动式微波传感的高分辨率成像雷达，是遥感领域的重要组成部分。相比于被动成像的光学遥感，合成孔径雷达不受云、雪、雨、雾等不利天气条件和昼夜时间的限制，并且可以一定程度上穿透植被和伪造遮挡，这些优秀的特性使得其被越来越广泛的应用于环境地形调查、军事侦察、海洋监测、农业检测、林业监测、大气监测、地质勘探等领域。

由于成像机理的不同，SAR图像与人眼易于理解的光学图像有着很大的差别，且SAR图像中包含了许多乘性噪声，这些都对图像目标判读解译工作造成了很大干扰。SAR图像目标判读解译的方法主要分为两种，人工目视判读解译与计算机模式识别。目前，人工目视判读解译仍然是最主要的方法。然而人工方式需要耗费极高的成本且工作效率难以进一步提升，因此不断探索更好、更有效的SAR图像目标自动识别的方法是很重要的。

随着科学技术水平的不断进步，深度学习成为了近几年来一个非常热门的领域。为了拓展SAR-ATR领域的研究，人们开始聚焦于使用深度学习的方法来解决SAR目标识别的问题。卷积神经网络(Convolutional Neural Network,CNN)作为深度学习的一个重要分支，因其优越的特征提取能力被广泛的应用在图像视频等领域中。本发明将深度残差学习应用到SAR小样本目标识别中，在以有的基础上就如何在有限样本的条件下进一步提升模型在SAR-ATR任务中的效果进行了探索，并提出了改进的方法。

发明内容

本发明的主要目的是针对SAR图像目标识别任务中人工的高成本以及样本数据有限的问题，提供了一种基于残差网络的小样本学习的合成孔径雷达目标识别方法。该方法使用了18层的残差网络作为基础网路结构，并将Dropout引入了每个残差块的结构中。使用了Softmax Loss和Center Loss这两种损失函数组合所构成的目标函数来进行监督。本发明主要的实施对象是机载聚束式合成孔径雷达所采集的图像，主要工作是对其进行目标识别。

基于残差网络的小样本学习的合成孔径雷达目标识别方法，包括以下步骤：

一种基于残差网络的小样本学习的合成孔径雷达目标识别方法，该方法的步骤包括：

步骤(1)划分好SAR图像的训练集和测试集并进行图像剪裁和归一化处理。

步骤(2)构建加入了Dropout的残差结构，并搭建18层的残差网络模型。

步骤(3)用Center Loss损失函数来对网络倒数第二层输出的特征的类内距离进行约束，用Softmax Loss对经过网络最后的Softmax层的输出进行约束。将两个损失函数的损失结果进行加权作为最后的整体损失来监督步骤(2)中所构建的残差网络模型进行训练。

步骤(4)对网络的参数进行初始化，并选网络的优化函数。

在所述步骤(1)中，对于训练集的目标图像先剪裁出中心尺寸为H1×W1的部分即高×宽，之后随机剪裁出尺寸为H2×W2的图像，这样的裁剪使目标具了有位移性，进而使训练出的网络更具鲁棒性。对于测试集的图像只裁剪出H2×W2的中心目标区域，剪裁过程如图1所示。之后使数据集图像中的每个像素点的像素值都除以255，从而将图像的像素值压缩到0-1之间。