[发明专利]一种基于元学习的SAR图像小样本目标检测方法及系统

说明书

本发明公开了一种基于元学习的SAR图像小样本目标检测方法及系统，属于SAR图像目标检测技术领域，包括以下步骤：S1：数据收集及制作；S2：模型粗调；S3：模型微调；S4：目标检测。本发明能够实现SAR图像本身特征和对应的散射特性图之间的多个尺度特征信息的融合，使得模型能获取更多的有效特征；对小样本目标检测算法的特征融合部分进行了优化，尤其是计算M2特征时使用了作为支持集和查询集的混合注意力表征M1，可以更加充分地挖掘的支持集和查询集之间的特征联系，筛选出最有效的特征并降低低效特征的权重，使算法性能指标更高。

技术领域

本发明涉及SAR图像目标检测技术领域，具体涉及一种基于元学习的SAR图像小样本目标检测方法及系统。

背景技术

我国航空航天侦察装备已经具备了多源、多波段、多模式、多应用和高分辨率对地成像能力。然而相对成像装备的发展来说，机弹星上实时图像解译和支撑应急侦察等情报应用能力较弱。实现侦察图像数据到情报的转换是发挥侦察装备作战效能、提高装备利用率的途径之一。目标识别技术是实现数据到情报的重要环节，当前基于地面站的图像处理和情报应用技术，技术指标不错，但图像解译领域发展较慢，无法在机弹星载平台上快速筛选出有效可用的情报信息。

对于机弹星载平台的智能化图像解译领域，首先需要解决外军军事目标数据库样本缺失带来的识别问题，即小样本识别问题。对于感兴趣的外军军事目标，其非战时处于高度保密或隐蔽状态，极难获取其样本图像数据，而少量样本难以支撑深度神经网络的训练，极大限制了目标识别模型的性能。因此，对于机载平台的智能化图像解译，开展小样本条件下的目标识别技术是必然的研究趋势。

现阶段，基于小样本的目标识别算法主要分为两个分支：一种是通过扩充数据集的方式增大样本量，把小样本问题变成普通样本量的目标识别问题。但现有的数据扩充方法存在各种问题，包括可能带入噪声以及无法有效增加有效特征等；而另一个分支是使用模型微调，度量学习或者元学习等方法，借助已有大样本数据的相似特征去辅助小样本目标的识别。

现阶段SAR图像小样本识别技术面临多种挑战，除了SAR(合成孔径雷达)图像本身存在背景复杂度高、分辨率不统一等问题之外，最主要的问题是目标类内偏差较大，即某些目标数量众多易于收集，但往往与之相似的另一类目标数量稀少且做了较强的隐蔽措施，比如同为舰船目标，军舰的数量就远大于航母。上述问题亟待解决，为此，提出一种基于元学习的SAR图像小样本目标检测方法及系统。

发明内容

本发明所要解决的技术问题在于：如何解决SAR图像检测识别任务中的样本不均衡问题，即因为小样本类数量少导致检测精度不高的问题，提供了一种基于元学习的SAR图像小样本目标检测方法，可以通过元学习的方法借助军舰和航母的相似特征去辅助航母的识别，从而提升模型对于航母的检测能力。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：数据收集及制作

收集基类和小样本类数据，制作对应的支持集输入和查询集输入；

S2：模型粗调

将支持集和查询集的基类数据输入基类目标检测模型，分别提取到支持集、查询集的三组不同尺度的特征，通过互相关操作进行特征聚合，输入目标检测后端进行类别和检测框的回归，得到粗调后的基类目标检测模型；

S3：模型微调

将支持集和查询集的部分基类数据和所有小样本类数据作为输入，以设定的学习率对粗调得到的基类目标检测模型进行微调，得到最终的基类-小样本类目标检测模型；

S4：目标检测

将待检测的SAR图像输入最终的基类-小样本类目标检测模型中进行检测，获得检测结果。

更进一步地，在所述步骤S1中，基类为样本数量较多的类别，小样本类为样本数量较少的类别。