[发明专利]一种基于小样本增量学习的SAR图像目标识别方法

权利要求书

1.一种基于小样本增量学习的SAR图像目标识别方法，其特征在于，包括：

步骤1：构建基于原型思想的深度残差网络；

步骤2：利用基类数据集和增量数据集对所述基于原型思想的深度残差网络分别进行基类训练和增量学习；

步骤3：将待测SAR图像输入至训练学习完成的基于原型思想的深度残差网络中，得到所述待测SAR图像的预测分类结果。

2.根据权利要求1所述的基于小样本增量学习的SAR图像目标识别方法，其特征在于，所述基于原型思想的深度残差网络包括依次连接的卷积模块、深度残差网络、自适应平均池化层、全连接层和分类器，其中，

所述卷积模块包括依次连接的第一卷积层和第一ReLU激活层；

所述深度残差网络包括依次连接的若干残差块，用于提取输入图像的图像特征；

所述全连接层用于存储类原型，所述全连接层中集成有图注意网络，所述图注意网络用于在增量学习阶段调整存储在所述全连接层上的类原型位置；

所述分类器为余弦分类器，用于输出预测分类结果。

3.根据权利要求2所述的基于小样本增量学习的SAR图像目标识别方法，其特征在于，所述残差块包括依次连接的第二卷积层、第一批规范化层、第二ReLU激活层、第三卷积层、第二批规范化层和第三ReLU激活层；

所述残差块的输入与该残差块的输入依次通过所述第二卷积层、所述第一批规范化层、所述第二ReLU激活层、所述第三卷积层以及所述第二批规范化层后的输出相加的结果经过所述第三ReLU激活层后输出。

4.根据权利要求3所述的基于小样本增量学习的SAR图像目标识别方法，其特征在于，所述残差块还包括通道数转换单元，所述通道数转换单元连接在所述第二卷积层的输入端与所述第二批规范化层的输出端之间，所述通道数转换单元包括依次连接的一个卷积层和一个批规范化层；

当所述残差块的输入通道数与其输出的通道数不相等时，所述残差块的输入通过所述通道数转换单元转换为与其输出相同的通道数后与所述第二批规范化层的输出相加的结果经过所述第三ReLU激活层后输出。

5.根据权利要求1所述的基于小样本增量学习的SAR图像目标识别方法，其特征在于，所述基类数据集和所述增量数据集均包括多个类别的附有分类标签的若干SAR图像，所述增量数据集为1-way-5-shot或1-way-1-shot的小样本数据集。

6.根据权利要求2所述的基于小样本增量学习的SAR图像目标识别方法，其特征在于，所述步骤2包括：

步骤2.1：在基类训练阶段，利用所述基类数据集对所述基于原型思想的深度残差网络进行训练学习，通过反向传播更新所述基于原型思想的深度残差网络的网络权值，得到基类训练阶段的网络模型；

步骤2.2：在增量学习阶段，利用所述增量数据集对所述基类训练阶段的网络模型进行训练学习，通过反向传播更新所述全连接层的权值，得到训练学习完成的基于原型思想的深度残差网络。

7.根据权利要求6所述的基于小样本增量学习的SAR图像目标识别方法，其特征在于，所述步骤2.1包括：

步骤1a：初始化所述基于原型思想的深度残差网络的网络参数；

步骤1b：根据索引获取所述基类数据集中的基类训练样本和其对应的分类标签，将所述基类训练样本输入所述基于原型思想的深度残差网络，所述基类训练样本经过所述卷积模块和所述深度残差网络后得到其在特征空间内的映射；

步骤1c：所述映射经过所述自适应平均池化层和所述全连接层后输入至所述分类器，通过所述分类器输出所述基类训练样本与类原型之间的余弦相似度；

步骤1d：将所述余弦相似度最大的索引对应的类作为该基类训练样本的预测分类结果，根据所述基类训练样本对应的分类标签计算交叉熵损失函数和准确率；

步骤1e：根据所述交叉熵损失函数，通过反向传播更新所述基于原型思想的深度残差网络的网络权值，并将所述基类训练样本在特征空间内的映射表达取均值作为类原型，存储为所述全连接层的权值，以完成所述基于原型思想的深度残差网络的基类训练阶段，得到所述基类训练阶段的网络模型。

8.根据权利要求7所述的基于小样本增量学习的SAR图像目标识别方法，其特征在于，所述步骤2.2包括：

步骤2a：获取所述增量数据集中的增量训练样本和其对应的分类标签，将所述增量训练样本输入所述基类训练阶段的网络模型，得到其在特征空间内的映射；

步骤2b：将同一类样本的映射表达取均值，得到新类在特征空间内的新类原型，并将该新类原型作为所述全连接层的新增权值；

步骤2c：将所述基类训练样本和所述增量训练样本输入所述步骤2b得到的网络模型中，根据所述基类训练样本和所述增量训练样本及其对应的分类标签计算交叉熵损失函数；

步骤2d：根据所述交叉熵损失函数，通过反向传播更新所述全连接层的权值，得到训练学习完成的基于原型思想的深度残差网络。