[发明专利]域适应Faster R-CNN半监督SAR检测方法

权利要求书

1.一种基于域适应Faster R-CNN的半监督SAR目标检测方法，其特征在于，包括有以下步骤：

(1)获取源域和目标域数据：源域和目标域数据对应为相似场景下的光学遥感图像和SAR图像数据，其中含有标签的源域数据表示为i表示含有标签的源域数据中的样本索引，且i＝1,…,N_s，其中N_s表示源域的样本总个数，表示源域的第i个样本，表示源域第i个样本对应的标签；含有少量标签样本的目标域训练数据表示为D_t＝D_l∪D_u，其中目标域中有标签的训练数据表示为k₁表示含有少量标签的目标域训练数据中的样本索引，且k₁＝1,…,N_l，N_l表示目标域训练数据中含有标签的样本总个数，表示目标域训练数据中含有标签的第k₁个样本，表示目标域的第k₁个样本的标签；目标域中不含标签的训练数据表示为k₂表示含有不含标签的目标域训练数据中的样本索引，且k₂＝1,…,N_u，其中N_u表示目标域训练数据中不含标签的样本总个数，目标域训练数据中含标签的样本数量较少，即N_l＜＜N_u；不含标签的目标域测试数据表示为m表示含有少量标签的目标域测试数据中的样本索引，且m＝1,…,N_test，其中N_test表示目标域中测试样本总个数，表示目标域测试数据中的第m个样本；

(2)利用源域数据训练并优化原始Faster R-CNN：调用原始的Faster R-CNN，该网络依次连接有基础网络，RPN和ROI结构，其中基础网络采用vgg16结构，RPN包括两个卷积层，ROI包含两个全连接层；vgg16采用在ImageNet数据集上预训练的模型作为基础网络的初始化，而RPN和ROI这两部分结构采用随机初始化；计算原始Faster R-CNN的损失函数L'_supervised＝L'_RPN+L'_ROI，其中L'_RPN表示RPN结构的损失函数，L'_ROI表示ROI结构的损失函数；采用随机梯度下降算法优化原始Faster R-CNN的损失函数L'_supervised，学习原始Faster R-CNN中的基础网络、RPN和ROI这三部分的网络参数，得到训练好的原始Faster R-CNN；

(3)构造域适应Faster R-CNN模型：在原始Faster R-CNN框架下增设了一个域适应模块和一个解码器模块，构造的域适应Faster R-CNN模型具体地包括两个并列的基础网络，即源域的基础网络和目标域的基础网络，在目标域的基础网络之后并行连接有RPN结构和解码器结构，在RPN结构之后连接ROI结构；源域的基础网络和目标域的基础网络各自提取的特征图之间增加了一个基于最大均值差异MMD的约束项，构成了增设的域适应模块，目标域的基础网络之后连接的解码器结构构成了增设的解码器模块；域适应Faster R-CNN模型的输入分别是源域数据输入到源域基础网络，目标域数据输入到目标域基础网络中，域适应Faster R-CNN模型具有两个输出，一个输出是ROI结构的输出，该输出完成对目标域数据的检测，另一个输出是解码器模块的输出，解码器模块对目标域数据重构，整体形成域适应Faster R-CNN模型；构建的域适应Faster R-CNN模型中，目标域的基础网络之后连接的解码器结构构成增设的解码器模块，用于对目标域数据进行重构，该重构表达为约束项，具体如下：

将目标域数据经过域适应Faster R-CNN中的目标域基础网络提取目标域数据的特征图，然后将目标域数据的特征图输入解码器模块，解码器模块的输出为对输入的目标域数据的重构，令解码器对目标域数据中的第k个样本的重构为那么重构的约束项L_recon表示为：

其中||·||₂表示L2范数，N_t表示目标域的样本数；

域适应Faster R-CNN中解码器模块的网络结构是与基础网络相互对称的结构，由于基础网络采用vgg16结构，一共包含13个卷积层和4个最大池化层，那么对称地，解码器模块包含13个解卷积和4个反最大池化层；

(4)对构建的域适应Faster R-CNN模型参数初始化：目标域的基础网络采用vgg16结构，并利用在ImageNet数据集上预训练的vgg16结构进行初始化，域适应Faster R-CNN模型中的源域基础网络采用已经训练好的原始Faster R-CNN的基础网络，RPN、ROI结构和解码器部分的网络参数采用随机初始化；

(5)利用源域和目标域数据训练并优化构建的域适应Faster R-CNN：具体训练包括：

(5a)计算域适应Faster R-CNN的损失函数：域适应Faster R-CNN的损失函数L＝L_supervised+αL_MMD+βL_recon包括三项，分别是源域和目标域数据的特征图之间的域适应损失L_MMD、目标域数据的重构损失L_recon以及RPN、ROI的检测损失L_supervised＝L_RPN+L_ROI，RPN结构的损失表示为L_RPN＝L_{RPN_reg}+L_{RPN_cls}，其中L_{RPN_reg}表示RPN部分的边框回归损失，L_{RPN_cls}表示RPN结构的分类损失；ROI部分的损失表示为L_ROI＝L_{ROI_reg}+L_{ROI_cls}，其中L_{ROI_reg}表示ROI结构的边框回归损失，L_{ROI_cls}表示ROI结构的分类损失，因此，域适应Faster R-CNN的损失函数表示为L＝L_supervised+αL_MMD+βL_recon，其中α和β分别表示域适应损失和重构损失的权重；

(5b)设置参数:设置优化算法的学习率λ以及迭代次数t，迭代次数初始化为t＝1，迭代总次数设置为epoch，同时设置域适应损失和重构损失的权重分别α和β，α∈[0,1]，β∈[0,1]；

(5c)域适应Faster R-CNN模型训练：采用随机梯度下降算法对域适应Faster R-CNN模型的损失函数L进行优化，学习目标域的基础网络、RPN、ROI和解码器这四个模块的网络参数；

(5d)判断：判断当前迭代次数t＝epoch是否成立，若是，得到训练好的域适应FasterR-CNN模型，执行步骤(6)，对目标域测试数据进行测试，否则t＜epoch，令t＝t+1，执行步骤(5c)，继续进行域适应Faster R-CNN模型的训练；

(6)对目标域测试数据进行测试：将目标域的测试数据输入到已经训练好的域适应Faster R-CNN的目标域基础网络中，通过前向传播得到测试数据的特征图，然后将测试数据特征图输入到RPN结构中，输出则为预测的疑似目标区域的位置信息，最后将RPN输出的疑似目标区域的位置信息输入到ROI结构中，ROI结构输出即为SAR图像测试数据的目标检测结果，完成半监督SAR目标检测，得到最终检测结果。