[发明专利]基于结构图卷积网络的遥感图像小样本舰船目标识别方法

权利要求书

1.基于结构图卷积网络的遥感图像小样本舰船目标识别方法，其特征在于，该方法具体包括以下步骤：

步骤(1)、结构元素的图建模

1.1结构元素的定义

定义结构元素：a)舰船轮廓；b)舰船上层关键构件；所述的舰船上层关键构件包括直升机停机坪、火炮/导弹设备、天线/雷达设备、鱼类发射器及艉平台；

1.2结构元素的图建模

在选择舰船上层关键构件时考虑到了是否易于检测，所以舰船的边缘以及舰船上层关键构件都是由前期进行检测给出坐标(x,y)，进而选取出代表这些特征的部分坐标作为特征关键点生成图的节点信息；

选取不带权重的无向边进行建模，边的构建思路是将舰船边缘的关键点进行有序连接，构建边缘特征的模型；然后将舰船上层关键构件的关键点接着进行有序连接，构建上层建筑特征的模型；最后将船头关键点和舰船上层关键构件每一个关键点都相连；将关键点作为图的节点；

步骤(2)、图网络的设计

2.1图数据构建

对于图数据D＝{(G1,y1)，(G2,y2)...}，G＝(A,X)，其中G表示一个舰船的完整图，y表示一个舰船的完整图的类别标签，其中有N个节点，每个节点都有自己的特征，这里是坐标(x,y)，设这些节点的特征组成一个N×D维的矩阵X，然后各个节点之间的关系也会形成一个N×N维的矩阵A，称为邻接矩阵；y1,y2组成一个图对应的标签集合Y，然后通过一个映射函数：f：G→Y，能够将图结构映射到对应的标签；

2.2采样邻居节点

每一个卷积层的节点的表示都是由上一层生成的，跟本层的其他节点无关，这也是一种基于层的采样方式；具体为：第“0”层时将每个节点的1邻域划分为一个子集，第“1”层时每一个节点的表示聚合了第“0”层该节点的1邻域的信息，第“2”层又再次聚合了第“1”层的1邻域信息，即扩展到了第“0”层的二阶邻居节点；因此，在聚合时，聚合K次，就可以扩展到K阶邻居；

2.3设计图卷积算子

对于图数据D，层与层之间的传播方式是：

即：其中：I是单位矩阵；是的度矩阵；H^(l)是第l层的特征，对于输入层的话，H就是X；W^(l)是第l层的权重矩阵；σ是非线性激活函数；

图网络GCN输入一个图，通过若干层GCN每个node的特征从X变成了Z，但是，无论中间有多少层，node之间的连接关系，即A，都是共享的；构造一个两层的GCN，激活函数分别采用ReLU和Softmax，则整体的正向传播的公式为：

步骤(3)、小样本舰船识别

识别网络采用分层解结构：多层神经网络计算每个样本的表示，再通过表示计算出每个类别的概率，最后通过向后传播计算梯度；

3.1通过图卷积层获得图中每个节点的表示，即节点特征Z；

3.2使用Readout获得每张图的表示，具体为取图所有节点特征的平均值然后输入分类器；

3.3使用CrossEntropy Loss作为损失函数；

其中Y是标签集合，Y_lf是标注类别，Z_lf是预测类别，F是节点的特征数，l是卷积层数；

最后通过梯度下降法训练神经网络权重W^(l)，用Softmax计算每个类别的概率。