[发明专利]一种基于迁移学习的空间目标小样本识别方法

权利要求书

1.一种基于迁移学习的空间目标小样本识别方法，其特征在于：含有以下步骤，

步骤1、建立辅助样本空间目标数据集；

步骤2、构建端到端的深度最近邻网络；

步骤3、将辅助数据集送入深度最近邻网络进行训练；

步骤4、构建空间目标数据集；

步骤5、将目标数据集送入深度最近邻网络进行识别。

2.根据权利要求1所述的基于迁移学习的空间目标小样本识别方法，其特征在于：所述步骤1含有以下步骤：(1a)、将辅助样本数据集划分为样本集S和查询集Q，样本集S和查询集Q有相同的标签空间，与目标数据集的标签空间不相交；

(1b)、将样本集S和查询集Q的每个样本缩放到84×84大小，组成缩放后的辅助样本数据集。

3.根据权利要求1所述的基于迁移学习的空间目标小样本识别方法，其特征在于：所述步骤2含有以下步骤：(2a)、构建含有五个卷积块的深度嵌入模块，学习嵌入映射关系；

(2b)、采用非参数的度量方式构建非参数朴素贝叶斯最近邻度量模块；

(2c)、引入交叉熵损失函数和类内紧凑损失函数训练网络。

4.根据权利要求3所述的基于迁移学习的空间目标小样本识别方法，其特征在于：所述步骤(2a)含有以下步骤：构建相同的前四个卷积块，每个卷积块由64个3×3卷积核、一个Leaky ReLu非线性激活函数和一个批标准化BN层组成；其中前两个卷积块后面分别紧跟2×2最大池化单元；第五个卷积块为8个1×1卷积核、一个Leaky ReLu非线性激活函数和一个批标准化BN层组成，其后紧跟全局池化单元，最后将第四个卷积块输出的特征图与全局池化后的特征图进行通道拼接操作，后续步骤如下；

第一步、将84×84像素大小的图像送入第一个卷积块，对其进行块大小为3×3像素和步长为1像素，边界填充为1的卷积操作，总共用64个卷积核，得到64张分辨率为84×84的特征图；

第二步、将第一个卷积块输出的64张特征图输入到池化层，对其进行最大池化操作，池化块的大小为2×2像素，步长为2像素，得到64张分辨率为42×42的特征图；

第三步、将池化层输出的64张特征图送入第二个卷积块，与第一个卷积块操作相同，得到64张分辨率为42×42的特征图；

第四步、将第二个卷积块输出的64张特征图送入池化层，对其进行最大池化操作，池化块的大小为2×2像素，步长为2像素，得到64张分辨率为21×21的特征图；

第五步、将池化层输出的64张特征图送入第三个卷积块，与前两个卷积块操作相同，得到64张分辨率为21×21的特征图；

第六步、第三个卷积块输出的64张特征图送入第四个卷积块，与前三个卷积块操作相同，得到64张分辨率为21×21的特征图；

第七步、将第四个卷积块输出的64张特征图送入第五个卷积块，对其进行块大小为1×1像素和步长为1像素，边界填充为1的卷积操作，总共用8个卷积核，得到8张分辨率为21×21的特征图；

第八步、将第五个卷积块输出的8张特征图送入池化层，对其进行全局池化操作，得到8张分辨率为1×1的特征图；

第九步、将全局池化后的8张分辨率为1×1的特征图进行描述子复制操作，得到8张分辨率为21×21大小的特征图；

第十步、将第6步得到的64张分辨率为21×21的特征图与第九步得到的8张分辨率为21×21的特征图进行通道拼接操作，最终得到72张分辨率为21×21大小的特征图。