[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

说明书

本发明涉及一种基于小样本增量学习的SAR图像目标识别方法，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，得到待测SAR图像的预测分类结果。本发明的基于小样本增量学习的SAR图像目标识别方法，设计了一种基于原型思想的深度残差网络，该网络即使在图像样本较少的情况下，也能具有自动提取SAR图像特征的能力，与现在技术相比，将SAR图像映射到特征空间内的方法能够一定程度上减少因样本数量缺乏而引起的过拟合现象，提升整体网络对小样本图像的识别能力。

技术领域

本发明属于雷达图像处理领域，具体涉及一种基于小样本增量学习的SAR图像目标识别方法。

背景技术

合成孔径雷达(SAR)是一种主动式微波成像雷达，具有全天时、全天候多维度地表信息获取能力，且具有一定的地表和植被穿透能力。合成孔径雷达成像技术是当前对地观测领域不可或缺的技术手段。自动目标识别(ATR)是通过捕捉图像特征信息来确定图像类别的技术，在复杂的电磁环境中完成对雷达图像的实时自动目标识别还是相当困难的。

当前，基于深度学习的方法为自动目标识别提供了新方法。基于深度学习的方法不要求对雷达图像建立良好的模型，而是在初始化模型的基础上，利用雷达成像技术得到的图像去训练这个模型，让模型学习雷达图像的特征，完成对雷达图像的自动识别。

由于深度学习优秀的特征提取和识别能力，将深度学习方法运用到SAR ATR中引起了更多的关注，针对SAR图像的自动目标识别，很多方法已经被提出。其中，深度卷积神经网络在特征提取方面具有良好性能，前馈神经网络对目标识别也有不错的表现。

由于深度学习训练一个网络往往需要大量的时间，同时，SAR图像的获取较为困难，获取成本不低，当网络遇到一个新任务或一个新类，将小样本新类样本加入训练样本再重新训练该网络的思想是不现实的，如果不再重新训练该网络，网络并不能将新类识别出来，会错误地将其分类到已知类之中。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于小样本增量学习的SAR图像目标识别方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供了一种基于小样本增量学习的SAR图像目标识别方法，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。

在本发明的一个实施例中，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。

在本发明的一个实施例中，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。