[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

说明书

本发明提出了一种结合少样本学习与目标属性特征的SAR目标识别方法，实现步骤为：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；构建视觉分类网络Fsubgt;1/subgt;；使用R对视觉分类网络Fsubgt;1/subgt;进行迭代训练；构建视觉属性分类网络F；使用源域数据集R、目标域支撑集ES及其目标属性特征集合A对视觉属性分类网络F进行迭代训练；利用目标域支撑集ES、目标域查询集EQ及其目标属性特征集合A′subgt;o/subgt;，获取SAR图像的目标识别结果。本发明通过结合少样本学习与目标属性特征，提升了已知类别训练样本有限情况下的SAR目标识别性能。

技术领域

本发明属于雷达图像处理技术领域，涉及一种SAR图像目标识别方法，具体涉及一种结合少样本学习与目标属性特征的SAR目标识别方法，可用于已知类别标签样本有限情况下的目标识别。

背景技术

合成孔径雷达SAR具有全天时、全天候及穿透力强的特点，被广泛应用于侦察、探测制导和遥感领域。近年来SAR图像的自动目标识别技术SAR ATR发展迅速，基本的SAR图像自动目标识别系统一般包括目标检测、目标鉴别和目标识别三个阶段。目标识别用于区分目标的类别，作为自动目标识别系统的最后一环，具有重要研究意义。

传统的SAR目标识别算法通常适用于大量已知类别标签的样本，然而，由于现实情况的限制，很难得到大量已知类别的样本，使得利用传统的SAR目标识别算法基于有限已知类别的样本所训练出的特征推广性差。为解决这个问题，基于迁移学习的思想，将与有限已知类别样本的类别不同的样本作为源域数据集，将有限已知类别样本作为目标域数据集，通过利用源域数据集训练分类网络得到训练好的分类网络，利用训练好的网络或利用训练好的网络进行微调等方法对目标域数据集进行分类，相对于传统的方法，可以提高有限已知类别样本条件下SAR图像的目标识别准确率。

例如申请公布号为CN 110245711 A，名称为“基于角度旋转生成网络的SAR目标识别方法”的专利申请，公开了一种基于角度旋转生成网络的SAR目标识别方法，包含如下步骤：1)对给定的数据集进行预处理，获取新的源任务训练样本和目标任务样本；2)构建角度旋转生成网络ARGN；3)用源任务训练样本对ARGN网络进行训练，得到训练好的网络模型；4)用训练好的模型提取目标任务训练集、测试集的特征；5)用训练集的特征训练SVM分类器；6)将测试集的特征输入到训练好的SVM分类器中，得到测试集的分类结果。该方法提高了目标任务中训练数据有限情况下的SAR目标识别的准确率，但是其存在的不足之处在于，训练角度旋转生成网络ARGN时，仅用了源任务样本对用来提取特征的角度旋转生成网络ARGN进行了训练，没有使用目标任务的训练集数据进行训练，所以使用训练好的角度旋转生成网络ARGN对目标任务的训练集与测试集进行特征提取，得到的目标任务的训练集和测试集中的特征的可分性不够高，且仅仅使用网络提取的特征作为分类的依据，因此对SAR图像目标识别准确率仍然不够高。

少样本学习也常被应用于已知类别标签样本有限下的目标识别，少样本学习就是通过学习大量的任务，从而学习到任务中的内在知识，从而可以快速的处理新的同类任务。例如，Tang、Zhang等人在2019年的国际地球科学与遥感研讨会上公开了一种基于少样本学习和改进的孪生网络的SAR目标识别方法，利用大量已知类别的源域数据训练一个分类模型，利用训练好的分类模型对只有少量已知类别标签的目标域数据进行目标识别，该方法提高了目标域数据中已知类别标签有限情况下的SAR目标识别的准确率，但是其存在的不足之处在于，仅使用网络提取的特征作为分类的依据，因此对SAR图像目标识别的准确率仍然不够高。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种结合少样本学习与目标属性特征的SAR目标识别方法，该方法利用少样本学习提升了所学习出的特征的分类性能，并结合样本的目标属性特征进一步提升分类性能，因此，本发明可以提高SAR目标识别准确率。

为了实现上述目的，本发明采用的技术方案包括如下步骤：