[发明专利]结合少样本学习与目标属性特征的SAR目标识别方法

权利要求书

1.一种结合少样本学习与目标属性特征的SAR目标识别方法，其特征在于，包括以下步骤：

(1)获取源域数据集R、目标域数据集E、目标域支撑集ES、目标域查询集EQ以及R和ES的目标属性特征集合A：

(1a)获取包含10类的目标，且每幅SAR图像中只包含一个目标的运动与静止目标MSTAR数据集M＝{M₁,…,M_i,…,M_s}，并对M进行预处理，得到处理后的运动与静止目标MSTAR数据集M²，其中，M_i表示第i幅SAR图像，s表示SAR图像的数量，s≥4000；

(1b)将从预处理后的运动与静止目标MSTAR数据集M²中随机选取n类带有类别标签的SAR图像作为目标域数据集E，将M²中剩余带有类别标签的(10-n)类SAR图像作为源域数据集R，并将从E中带有类别标签的每类SAR图像中随机选取k幅作为E的支撑集ES＝{ES_k×1,ES_k×2,…,ES_k×n}，将E中剩余带有类别标签的SAR图像作为E的查询集EQ，其中，n≤5，ES_k×n表示第n类的k幅图像，k≤30；

(1c)提取M²中10类目标属性特征，得到10类目标的0/1二值的目标属性特征A＝{a¹,…,a^q,…,a¹⁰}，其中，a^q表示第q类目标的目标属性特征向量；

(2)构建视觉分类网络F₁：

构建包含顺次级联的特征提取模块T₁和视觉分类模块V₁的视觉分类网络F₁，其中，特征提取模块T₁包括顺次级联的多个卷积模块E₁，E₁包括依次层叠的卷积层、batchnormalization层、ReLu激活层和最大池化层，视觉分类模块V₁包括顺次级联的多个全连接层和一个softmax层；

(3)对视觉分类网络F₁进行迭代训练：

将源域数据集R作为视觉分类网络F₁的输入进行K次迭代监督训练，得到包含训练后的特征提取模块T₁'和视觉分类模块V₁'的视觉分类网络F₁'，其中K≥10000；

(4)构建视觉属性分类网络F：

构建包括顺次级联的原型分类网络F₂和属性分类网络F₃的视觉属性分类网络F，其中，F₂包含顺次级联的训练后的特征提取模块T₁'、第一计算欧氏距离模块O₁和softmax层；F₃包含顺次级联的乘法模块C₀、第二计算欧式距离模块O₂和softmax层；

(5)对视觉属性分类网络F进行迭代训练：

(5a)将支撑集ES中包含的每幅SAR图像以旋转90°的方式进行数据扩充，得到数据扩充后的支撑集ES1＝{ES1_(2×k)×1,ES1_(2×k)×2,…,ES1_(2×k)×n}，并对ES1与源域数据集R进行合并，得到包含10类目标并带有类别标签的训练数据集RE，其中ES1_(2×k)×n表示第n类的(2×k)幅SAR图像；

(5b)设置迭代次数为t，最大迭代次数为T，T≥1000，并令t＝0；

(5c)随机选取训练数据集RE中的n个类别，并随机选取每个类别带有类别标签的k幅SAR图像作为当前RE的支撑集RES_t，随机选取每个类别剩余的带有类别标签的k幅SAR图像作为当前RE的查询集REQ_t，再从目标属性特征A中选取与RES_t对应的n个类别的目标属性特征其中，表示第b个类别的目标属性特征向量，b≤n；

(5d)将支撑集RES_t、查询集REQ_t及目标属性特征A′_t作为视觉属性分类网络F的输入，通过F₂中的特征提取模块T₁'进行特征提取，得到RES_t和REQ_t对应的特征向量集合VS_t和VQ_t，其中，表示第t次迭代RES_t中第b个类别第h幅SAR图像的特征向量，表示第t次迭代REQ_t中第b个类别第h幅SAR图像的特征向量，h≤k；

(5e)通过计算RES_t中第b个类别的原型中心P_t^b，并通过P_t^b和计算第t次迭代REQ_t中第b个类别第h幅SAR图像在F₂预测为第r个类别的类别预测概率PP_t^bh_r，得到第t次迭代REQ_t中第b个类别第h幅SAR图像在F₂的类别预测概率集合PP_t^bh，PP_t^bh＝{PP_t^bh_1,…,PP_t^bh_r,…,PP_t^bh_n}，得到第t次迭代REQ_t在F₂的类别预测概率集合PP_t，PP_t＝{PP_t¹¹,…,PP_t^bh,…,PP_t^nk}，然后通过PP_t^bh计算第t次迭代REQ_t中第b个类别第h幅SAR图像的损失值LossP_t^bh，得到F₂的损失值LossP_t，

(5f)通过PP_t^bh和A'_t，计算第t次迭代REQ_t中第b个类别第h幅SAR图像目标属性特征向量得到F₃的属性特征集合A”_t，并通过和A'_t计算第t次迭代REQ_t中第b个类别第h幅SAR图像在属性分类网络F₃中预测为第r个类别的类别预测概率得到第t次迭代REQ_t中第b个类别第h幅SAR图像在F₃的类别预测概率集合得到第t次迭代REQ_t在F₃的类别预测概率集合PA_t，然后通过计算第t次迭代REQ_t中第b个类别第h幅SAR图像在属性分类网络F₃的损失值得到F₃的损失值LossA_t，

(5g)计算视觉属性分类网络F的损失值Loss_REQ_t和类别预测概率集合P_REQ_t，P_REQ_t＝{P_t¹¹,…,P_t^bh,…,P_t^nk},其中P_t^bh表示第t次迭代REQ_t中第b个类别第h幅SAR图像在视觉属性分类网络F的类别预测概率集合，P_t^bh＝{P_t^bh_1,…,P_t^bh_r,…,P_t^bh_n}，其中，P_t^bh_r表示第t次迭代REQ_t中第b个类别第h幅SAR图像在视觉属性分类网络F预测为第r个类别的类别预测概率；

Loss_REQ_t＝LossP_t+LossA_t；

(5h)利用损失值Loss_REQ_t和随机梯度下降算法对视觉属性分类网络F所有卷积层的参数进行更新；

(5i)判断t≥T是否成立，若是，得到训练好的视觉属性分类网络F'，否则，令t＝t+1，并执行步骤(5c)；

(6)获取SAR图像的目标识别准确率：

将目标域的支撑集ES、查询集EQ及其对应的n个类别的目标属性特征A_o'，作为训练好的视觉属性分类网络F'的输入进行分类，得到查询集EQ的目标识别准确率，其中，表示ES中第b个类别的目标属性特征向量。