基于自监督学习和子孔径分解的SAR目标识别方法

本发明属于雷达目标识别，尤其涉及一种基于自监督学习和子孔径分解的sar目标识别方法。

背景技术：

1、作为遥感技术的一种，合成孔径雷达(synthetic aperture radar,sar)是一种主动微波成像雷达，并由于其成像原理，相较于其他各种遥感成像技术具有更加不受天气及光照条件影响的优点，具有全天时、全天候的优良特性。但同时由于其成像机制的特殊性，图像中有大量杂波存在。同时应用于车辆、飞机等目标识别任务时的标签标记需要众多的相关经验。因此缺少大量有标记图像是当前sar图像处理领域的一个重要问题。

2、当前随着机器学习相关理论和模型的发展，深度神经网络被应用于目标识别任务中，获得了越来越令人惊喜的结果。也有越来越多的人将机器学习应用于sar图像处理中，并取得了一定成果。然而为达到较好的效果，在网络训练时需要使用大量有标记图像，然而sar图像在目标识别任务中可用于训练的数据较少，容易产生网络过拟合的现象，无法达到最优的结果。

3、为减少在训练中对有标签数据的依赖，深度学习发展出了半监督学习、弱监督学习等一系列不同于全监督学习的方法，在网络的训练过程中加入无标签数据帮助网络学习相应特征，减少有标签数据的使用，同时也能够提高网络的泛化性能。然而基于以上方法的深度学习任务依旧对有标签数据的数量有一定的依赖，并且其本质原理依旧是在做监督学习，不能关注到数据本身。而自监督学习通过各种数据变换为无标记的数据创造“伪标签”，并以此进行网络的训练，在不依赖人工标记的同时依然能够达到与监督学习相似的效果。

4、与有监督学习依赖标签的特性不同，自监督学习能够降低注释大规模数据集的成本。它采用自定义的伪标记来监督，并将学习的表示形式用于多个下游任务，并在对下游任务的微调中体现自监督模型的效果。自监督学习首先在上游任务部分从大规模的无标签数据中挖掘数据自身的监督信息，即“伪标签”，通过使用“伪标签”对网络进行有监督的训练，使网络学习到对下游任务有用的表征。之后将自监督训练的模型应用于下游任务，在下游任务中采用极少量的有标签数据进行微调，同时，为体现自监督模型的效果，在训练时固定下游任务中网络模型的大部分参数，例如在分类任务中，只改变分类器部分的参数而其他部分参数固定。

5、多年来，sar图像缺少大量有标记样本的问题未能被完全解决，而基于自监督学习的方法恰好能够解决相关困难。当前自监督学习在sar图像领域主要被应用在变化检测及针对sar图像的去噪方面，而面向sar目标检测及识别的工作较少。同时直接将当前流行的自监督学习算法应用在sar目标检测中虽然能起到一定效果，但并未与sar图像的物理特性联系起来，不能发挥更好的作用。由于sar本身独特的物理特性，使得其存在不计其数的杂波图像，不仅降低了图像的分辨率同时也影响标记标签工作的进行。而自监督学习中不需要标记数据，在进行自监督训练的过程中加入大量的杂波图像能在扩充数据集的同时对其进行充分利用并使得网络能够学习到更好的表征。另一方面，作为合成孔径雷达，当前使用的图像也可以将其分解为相对应的子孔径图像，在自监督“伪标签”的生成中作为其中一种伪标签参与训练，由于其与原始图像的相似性，在自监督对比学习的过程中能够更好的促进网络对特征的学习。

技术实现思路

1、针对现有技术的不足，本发明拟解决的技术问题是，提出了一种基于自监督学习和子孔径分解的sar目标识别方法。

2、本发明解决所述技术问题采用的技术方案如下：

3、1.一种基于自监督学习和子孔径分解的sar目标识别方法，其特征在于，该方法包括如下步骤：

4、(1)对原始sar图像进行扩充；

5、(2)对待训练数据x进行数据增强，通过两种不同的数据增强分别得到样本对xquery和xkey；

6、(3)样本xquery输入到编码器fq，然后经过多层感知器得到特征图q；样本xkey输入到动量编码器fk中，得到特征图k；

7、(4)计算特征图q和k的相似度，得到模型损失；

8、(5)使用梯度回传更新编码器fq的参数，动量编码器fk的参数采用动量公式更新；

9、(6)队列更新动量编码器的输入，将新的样本xkey加入队列，同时将最老的样本xkey移出，保证队列的长度不变；

10、(7)重复步骤(2)-步骤(7)，直到遍历训练集中所有数据，保存自监督模型参数。

11、(8)加载自监督模型参数，重置分类器部分参数并固定其他层参数不变，输入训练集数据进行对下游任务的训练。

12、(9)训练结束，保存参数并完成sar目标识别测试。

13、与现有技术相比，本发明具有以下优点：

14、1.需要标记样本数据量少

15、现有的针对sar图像识别任务的深度学习方法大多为有监督方法，而sar图像数据集作为典型的小样本数据集，有标记图像难以达到普通光学图像的数据量，使得在有监督的训练过程中不仅容易产生过拟合的问题，而且也不能更好的完成sar图像识别的任务。而本发明采用的基于对比式的自监督学习方法能够在上游任务阶段采用自身产生的“伪标签”而非来自外界的标签进行训练。此外，由于sar自身独特从成像特性，其结果常含有大量杂波，使人无法对其中目标进行标记。为丰富自监督训练的训练数据，将大量有杂波的sar图像加入其中，使网络拥有更好的泛化性能的同时充分利用到了这些杂波图像。

16、2.与sar的物理特性相结合

17、sar图像来自于合成孔径雷达，在深度学习的训练过程中大多被直接作为网络的输入，只采用了振幅信息，忽视了各个子孔径的信息，采用子孔径分解的方法能够得到相应的sar图像内部的复杂信息。本发明将子孔径图像分解后合成伪彩色图像，并将其作为自监督阶段数据扩充的一种。由于伪彩色子孔径图像由原始sar图像数据产生，与相应的sar图像非常相似，而在自监督学习的过程中，将来自同一图像的数据增强认为是正样本对，来自不同图像的数据增强是负样本对，因此采用子孔径分解后合成的伪彩色图像作为数据增强能够更好的使网络学习到不同图像之间的特征表达，使网络最终的识别精度有进一步的提升。

技术特征：

1.一种基于自监督学习和子孔径分解的sar目标识别方法，其特征在于，该方法包括如下步骤：

2.根据权利要求1所述的基于自监督学习和子孔径分解的sar目标识别方法，其特征在于，步骤(2)中的数据增强包括适高斯解模糊、随机大小裁剪、随机灰度、色彩抖动、随机水平翻转和子孔径分解。

技术总结
本发明为一种基于自监督学习和子孔径分解的SAR目标识别方法，将大量杂波数据加入原始SAR图像数据集中进行扩充；将数据集中图像进行包括子孔径分解在内的两种数据扩充后输入到以编码器和动量编码器为主体的两个分支；分别采用梯度回传和动量公式更新两个编码器的参数；以队列形式更新动量编码器的输入后重复以上步骤直至遍历训练集中所有数据，并保存模型参数；最后加载自监督的模型参数，重置分类器部分参数完成有监督的下游任务的训练和测试。本发明相比于有监督的SAR图像识别方法具有需要标记数量少，检测精度高的优点，适用于SAR图像在小样本情形下的目标识别，主要解决了现有的SAR图像目标识别技术中样本数量不足以满足大规模有监督训练的问题。

技术研发人员：王兆成,刘商艺,王若楠,刘璐,邵学彦
受保护的技术使用者：河北工业大学
技术研发日：
技术公布日：2024/1/14