[发明专利]基于改进原型网络的小样本SAR图像目标识别方法

权利要求书

1.基于改进原型网络的小样本SAR图像目标识别方法，其特征在于，包括以下步骤：

步骤1，获取训练样本集和待识别小样本SAR图像集；从训练样本集中按类别选取C×m幅SAR图像作为训练支撑集，剩余的幅SAR图像组成训练查询集；同样，将待识别小样本SAR图像集划分为带标签的支撑集和待识别的查询集；

其中，待识别小样本SAR图像集中的目标类别与训练样本集中的目标类别不同；C为待训练的目标总类别数，m为训练支撑集中每个目标类别的SAR图像数目，为训练样本集中第k类目标对应的SAR图像总数量；

步骤2，构建深度卷积-双向长短时原型神经网络，即改进原型网络；

步骤3，采用训练支撑集和训练查询集对所述深度卷积-双向长短时原型神经网络进行训练，得到训练好的深度卷积-双向长短时原型神经网络；

步骤4，对带标签的支撑集和待识别的查询集中的每个样本进行变换合成处理，得到带标签的支撑集和待识别的查询集中每个样本对应的图像序列，将所有图像序列顺序输入训练好的深度卷积-双向长短时原型神经网络，得到待识别的查询集内的目标类别。

2.根据权利要求1所述的基于改进原型网络的小样本SAR图像目标识别方法，其特征在于，所述深度卷积-双向长短时原型神经网络包括依次连接的深度卷积-双向长短时神经网络、原型模块和基于欧几里得距离的分类器；所述深度卷积-双向长短时神经网络包含深度卷积神经网络和双向长短时神经网络；所述深度卷积神经网络包含依次连接的多个卷积模块和全连接层；每个卷积模块包含依次连接的卷积层、ReLU激活层和批规范化层，且两个卷积模块之后设置一个最大池化层。

3.根据权利要求1所述的基于改进原型网络的小样本SAR图像目标识别方法，其特征在于，所述深度卷积-双向长短时原型神经网络包括依次连接的深度卷积-双向长短时神经网络、原型模块和基于欧几里得距离的分类器；所述深度卷积-双向长短时神经网络包含深度卷积神经网络和双向长短时神经网络；所述深度卷积神经网络包含依次连接的多个卷积模块和全连接层；每个卷积模块包含依次连接的卷积层、ReLU激活层、批规范化层和最大池化层。

4.根据权利要求2或3所述的基于改进原型网络的小样本SAR图像目标识别方法，其特征在于，所述采用训练支撑集和训练查询集对所述深度卷积-双向长短时原型神经网络进行训练，具体步骤为：

3a)设置最大迭代次数为T，T≥1000，初始化迭代次数t＝0；

3b)将训练支撑集和训练查询集中的每个训练样本分别进行变换合成处理，得到每个训练样本对应的图像序列；

3c)将每个训练样本对应的图像序列作为所述深度卷积-双向长短时原型神经网络的输入，输出对应的预测类别；

3d)根据预测类别与对应标签，计算当前迭代次数的交叉熵损失函数，并通过随机梯度下降算法，对所述深度卷积-双向长短时原型神经网络的网络参数进行更新，得到更新后的神经网络；

3e)判断t＝T是否成立，若是，则步骤3d)更新后的神经网络即为训练好的深度卷积-双向长短时原型神经网络，否则，令t＝t+1，返回执行步骤3c)。

5.根据权利要求1或3所述的基于改进原型网络的小样本SAR图像目标识别方法，其特征在于，所述变换合成处理，具体为：将每幅SAR图像分别旋转90°、180°和270°，得到三幅旋转图像，将未旋转的SAR图像、90°对应的旋转图像、180°对应的旋转图像和270°对应的旋转图像按顺序排列形成一组图像序列。