[发明专利]一种基于双路胶囊网络的SAR目标分类方法

说明书

本发明涉及一种基于双路胶囊网络的SAR目标分类方法，该发明的步骤包括：步骤S1：网络上支路利用S个卷积层对输入图像提取特征F₁，各层卷积核大小均为K₁×K₁，其中，K₁和S为大于1的正整数；网络下支路利用S个卷积层对输入图像提取特征F₂，各层卷积核大小均为K₂×K₂，其中，K₂为大于1的正整数，且K₂≠K₁；步骤S2：网络上、下支路各采用一个注意力模块分别对特征F₁和F₂进行增强，得到增强后的特征F₁′和F₂′；步骤S3：网络上、下支路的特征F₁′和F₂′分别封装为主胶囊P₁和P₂；步骤S4：P₁和P₂经动态路由分别得到数字胶囊D₁和D₂；步骤S5：数字胶囊D₁和D₂相加得到D，再根据D中每个向量的模值判别输入图像所属类别。

技术领域

本发明涉及雷达信号处理领域，尤其涉及一种基于双路胶囊网络的SAR目标分类方法，解决SAR目标分类过程中，因训练样本数少而带来的过拟合问题，以及因目标姿态发生变化而带来的错误分类问题，从而实现在少量训练样本以及目标姿态发生变化情况下获取较高的目标识别率。

背景技术

SAR目标分类是SAR图像解译领域的研究热点之一，在军事和民用领域都具有非常重要的意义。传统的SAR目标分类方法主要包括基于模板匹配、基于模型，以及基于机器学习的方法，这些方法的识别精度有限。近年来，随着深度学习的发展，基于深度学习的SAR目标分类得到了深入的研究，并取得了显著的成绩。

卷积神经网络是一种典型的深度学习网络，它能通过提取目标不同层次特征，获得较高的目标识别率。然而，基于卷积神经网络的SAR目标分类需要大量的训练样本，否则容易出现过拟合问题。针对该问题，一些改进措施和方法被提出。如对数据集进行扩充处理，将卷积神经网络和一些无监督训练网络相结合，以及将大数据集下训练好的模型进行迁移等等。虽然这些措施和方法能够有效解决因样本数少而带来的过拟合问题，但是却无法解决因目标姿态发生变化(如平移、旋转、缩放等)而带来的错误分类问题。

胶囊网络是一种能够在小样本集下提取目标特征且保存目标姿态信息的网络(Sabour S,Frosst N,Hinton G E.Dynamic Routing between Capsules[C].Advances inNeural Information Processing Systems.California,USA:NIPS,2017:3856-3866.)。将胶囊网络应用于SAR目标分类，能够同时解决因样本数少带来的过拟合问题和因目标姿态变化带来的错误分类问题。由于胶囊网络的分类输出最终取决于数字胶囊中每个向量的模长，因此，若增加一路胶囊网络以提取输入图像的不同特征，则能实现决定目标所属类别的向量增强。此外，注意力模型是一种通过注意力权重而选择性地对输入图像的部分进行聚焦的模型(Hu J,Shen L,Albanie S,et al.Squeeze-and-Excitation Networks[C].Proceedings of the2018IEEE Conference on Computer Vision and PatternRecognition.Piscataway:IEEE,2018:7132-7141.)。将注意力模块引入两路胶囊网络进行SAR目标分类，将进一步提高目标的正确识别率。

发明内容

本发明目的是提供一种基于双路胶囊网络的SAR目标分类方法，能够在少量训练样本和目标姿态变化情况下获取较高的目标识别率。

为达到上述目的，本发明提供一种基于双路胶囊网络的SAR目标分类方法的步骤包括：