[发明专利]基于图注意力网络的小样本SAR目标识别方法

说明书

本发明公开了一种基于图注意力网络的SAR目标小样本识别方法，主要解决现有技术在训练数据缺乏情况下识别率较差的问题，其方案是：选取包含雷达目标的SAR图像，抑制其相干斑噪声，并将降噪后的SAR图像划分为有标签的数据和无标签的数据；利用降噪后的图像训练自编码器，得到全部SAR图像的特征向量；在有少量标签数据的前提下，利用向量相似性得到初始邻接矩阵；设置图注意力网络，并利用所有特征向量迭代训练图注意力网络，直至该网络的误差函数收敛，输出最终预测的节点标签矩阵，实现无标签数据的识别。本发明能利用少量已知类别的SAR目标对其余大量未知目标的类别进行预测，且预测准确率高，可用于小样本情况下的雷达目标识别。

技术领域

本发明属于图像处理技术领域，特别涉及一种小样本SAR目标识别方法，可用于在少量训练样本的前提下准确地识别雷达目标。

背景技术

随着合成孔径雷达技术的快速发展与进步，SAR图像的分辨率变得越来越高，其分辨率已从早期的中低分辨发展为高分辨和超高分辨。高分辨SAR图像的产生不仅改善了传统低分辨SAR图像信息量不足的缺点，而且推动了对SAR图像处理的研究。基于SAR图像的目标识别是SAR图像处理领域的重要应用之一，已被广泛应用于海洋或陆地的监测与探测。

由于高分辨和中低分辨SAR图像的特征差异性，导致某些适用于中低分辨的目标识别方法不能用于高分辨的图像分类。另外，由于传统的机器学习分类方法其能力相对较弱，以及SAR图像自身相干斑噪声的干扰，使得SAR图像分类的准确度较低，无法满足实际应用的需求。近些年来，深度学习作为新兴的机器学习分类方法，以高精度的分类能力受到了广泛的关注。特别是在光学图像分类以及目标识别任务上获得了远超传统分类器的效果。但是基于深度学习的SAR图像分类与目标识别无法满足实际的应用需求，面临的主要问题是训练数据较为缺乏。训练数据在基于深度学习的算法中至关重要，其选取的数量与质量直接影响深度网络训练的优劣，进而影响对SAR图像分类的精度。在大多数情况下，深度学习参数训练不足都是由于训练数据缺乏导致的。

为了解决训练样本不足带来的问题，诸多数据增强方法以及基于小样本训练的雷达目标识别算法被提出。目前，针对SAR图像中的小样本目标识别问题主要有以下两种方法：

一是Jifang Pei,Yulin Huang,Weibo Huo等在论文“SAR Automatic TargetRecognition Based on Multiview Deep Learning Framework”中提出了一种多视深度网络模型用于解决SAR自动目标识别中训练数据不足的问题。该论文首先提出了一种数据增强方法，通过组合不同视角的SAR图像，获得了充足的训练样本。随后采用了并行的深度卷积网络结构以用于提取同一目标不同视角的SAR图像特征，同时每个视角学习得到的特征被逐步融合，该方法在相对较少的原始图像的基础上，实现的SAR图像中目标的准确分类，但该方法存在两方面的不足：一是采用简单的数据组合来扩充数据，训练数据之间相似性大；二是该方法用于训练的SAR图像相比于目前小样本识别问题中的数据量来说仍然较多。

二是Zhao Lin,Kefeng Ji,Miao Kang等在论文“Deep Convolutional HighwayUnit Network for SAR Target Classification With Limited Labeled TrainingData”中提出了一种基于受限标签数据的SAR目标分类方法。该方法通过堆叠高速卷积单元来提取图像的深度特征，更深的网络使得分类更加准确，同时在数量受限的训练数据上取得了不错的分类效果，但该方法仅仅考虑了通过加深网络层数来获得更好的识别效果，在小样本的情况下容易产生过拟合的问题。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于图注意力网络的小样本SAR目标识别方法，以在少量训练数据的前提下，获得对雷达目标较高的识别率，提升了识别性能。

实现本发明目的的技术方案包括如下步骤：