[发明专利]基于混合推理网络的小样本SAR自动目标识别方法

说明书

本发明属于雷达图像处理技术领域，尤其涉及一种基于混合推理网络的小样本SAR自动目标识别方法，可用于小样本条件下的SAR自动目标识别；包括步骤：获取训练样本集和待识别小样本SAR图像集；构建混合推理网络；采用训练支撑集和训练查询集对所述混合推理网络进行训练；获取小样本SAR图像的目标识别结果。本发明解决了传统方法需要大量训练样本的问题，为训练样本不足条件下的SAR目标识别提供了新的方法。

技术领域

本发明属于雷达图像处理技术领域，涉及一种SAR自动目标识别方法，特别涉及基于混合推理网络的小样本SAR自动目标识别方法，用于小样本条件下的SAR目标识别。

背景技术

合成孔径雷达(SAR)以其全天候、高分辨率、远距离作战能力，在战场侦察、地形图、地质勘探、海洋观测等领域得到了广泛应用。自动目标识别(ATR)是基于计算机系统，从传感器获取数据，提取特征并自动得到目标类别的算法。基于SAR的自动目标识别也受到各领域广泛关注。

目前主流的SAR目标识别方法有三种，即模板匹配、目标建模和机器学习。这些方法都需要预先设计一个专用的模板、目标模型或分类器，严重依赖手动设计的特征，具有高复杂性和较差的泛化能力。

随着深度学习的发展，由于其强大的自动特征提取和表示能力，在SAR目标识别中获得广泛关注，具有很高的实现效率。但是基于深度学习模型的SAR目标识别算法为了保证有效的特征提取和目标识别，通常需要大量的训练样本，若某些类中的训练样本较少，识别性能会显著下降。然而，在实际情况下，SAR的图像获取较为困难，而且成本较高。在军事侦察等情况下，甚至只能获取一些目标的少量SAR图像，从而导致现有的SAR目标识别算法失效。因此，研究如何在只有少量SAR图像的情况下有效地提取特征和识别目标在雷达图像处理技术领域具有重要意义。

发明内容

针对现有技术存在的问题，本发明的目的在于提供一种基于混合推理网络的小样本SAR自动目标识别方法，提高了识别性能，解决了传统方法需要大量训练样本的问题，为训练样本不足条件下的SAR目标识别提供了新的方法。

为了达到上述目的，本发明采用以下技术方案予以实现。

(一)基于混合推理网络的小样本SAR自动目标识别方法，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C(H-m)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，H为训练样本集中每类目标对应的SAR图像总数量；每次训练需要从训练样本集中重新进行随机样本选择，并将选择的样本划分为训练支撑集和训练查询集；

步骤2，构建混合推理网络，所述混合推理网络包含依次连接的嵌入网络和基于混合推理的分类器；

步骤3，采用训练支撑集和训练查询集对所述混合推理网络进行训练，得到训练好的混合推理网络；

步骤4，将带标签的支撑集和待识别的查询集中的每幅SAR图像输入训练好的混合推理网络，得到待识别的查询集内的目标类别。

(二)一种混合推理网络，包括依次连接的嵌入网络和基于混合推理的分类器；所述嵌入网络由多个卷积模块组成，每个卷积模块包含卷积层、ReLU激活层、批规范化层和最大池化层；

所述基于混合推理的分类器包含基于欧几里得距离分类器的归纳推理和基于标签传播的转导推理，所述基于欧几里得距离分类器的归纳推理包含原型模块，所述基于标签传播的转导推理包含图构造网络。

进一步地，所述图构造网络包含依次连接的多个卷积模块、平铺拉伸层和两个全连接层。