[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

说明书

本发明公开了一种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，本发明在传统小样本目标识别的基础上引入中间层结构元素，使用图卷积网络框架对结构元素进行建模与特征提取，提出了一种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。将传统的目标识别由像素层上升到构件层，突破了现有小样本目标识别方法框架的局限，提高了小样本目标识别的精度和速度。

技术领域

本发明涉及目标识别领域，具体涉及一种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。

背景技术

小样本学习是当前机器学习领域研究一个热点问题，小样本学习的核心思路是从相关的数据或任务中提取额外特征信息，提升小样本学习的泛化能力。针对小样本目标识别，当前的小样本学习还存在如下的局限性：包括：1)对相关数据的约束条件较严格，以迁移学习为例，迁移学习对源域有较严格的限制，一般要求源域与目标域类别保持一致；2)额外特征信息的引入存在风险，提取不当的额外特性信息，有可能反而给本任务带来不利影响。

现有的图卷积神经网络(GCN)分为谱方法和空间方法两类，谱方法利用图上卷积定理从谱域定义图卷积，而空间方法从节点域出发，通过定义聚合函数来聚合每个中心节点和其邻近节点。图卷积网络是采用图结构对非欧几里德结构数据进行建模、采用图卷积运算以及分层网络结构挖掘数据中蕴含的特征信息，在点云建模、场景图建模等相关计算机视觉任务上的成功应用展现了其强大的潜力。

发明内容

本发明针对现有技术的不足，在传统小样本目标识别的基础上引入中间层结构元素，力图突破现有小样本目标识别方法框架的局限；同时使用图卷积网络框架对结构元素进行建模与特征提取。通过小样本学习技术与图卷积网络技术的有机结合，提出了一种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。

本发明一种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，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；