技术特征：
1.一种基于孪生卷积子空间网络的小样本sar目标识别方法，该方法包括：步骤1：在训练阶段，从辅助训练的样本集中随机采样一批数据且将其划分为支持集和查询集，以模拟小样本目标识别任务；给定训练样本x＝{x
c,1
,x
c,2
,
…
,x
c,k
}，x
c,i
表示第c类sar目标的一批训练样本，k表示每类目标的训练样本数，c∈{1,
…
,n}，n表示目标类别的数量；步骤2：将训练样本中sar图像裁剪为64
×
64像素大小的感兴趣sar目标样本，以减少冗余背景对特征提取的影响；建立识别模型，识别模型包括特征嵌入网络和分类器；步骤3：建立基于孪生结构的特征嵌入网络，并引入对比学习思想训练特征嵌入模型，利用步骤1中随机采样生成的查询样本和支持样本训练一个类内紧凑、类间分散的低维特征表示空间；步骤3.1：将sar目标样本输入到特征嵌入网络，经特征嵌入网络编码后样本表示为{φ
θ
(x
c,1
),φ
θ
(x
c,2
),
…
,φ
θ
(x
c,k
)}，其中φ(
·
)表示非线性映射函数，θ是特征嵌入网络的可训练参数；步骤3.2：通过以下公式计算第c类目标对应的特征均值：步骤3.3：减去特征均值后，第c类目标特征表示为：x
c
＝[φ
θ
(x
c,1
)-μ
c
,φ
θ
(x
c,2
)-μ
c
,
…
,φ
θ
(x
c,k
)-μ
c
]步骤3.4：为了训练类内紧凑、类间分散的特征表示空间，采用对比损失作为特征嵌入网络的代价函数，即：其中，s和q分别表示一批数据中支持集样本和查询集样本的总数，d
i,j
是第i个样本和第j个样本之间的欧几里得距离，当且仅当两个样本属于同一个类别时，y＝1；否则，y＝0；margin是一个预设值，用于约束不同类别样本之间的最大边界距离；步骤4：设计基于子空间学习的分类器；步骤4.1：通过目标训练样本的特征计算第c类目标的投影矩阵p
c
，c＝1,
…
,n；步骤4.2：给定一个待识别的样本q，将样本q的低维嵌入特征投影到p
c
上；步骤4.3：采用如下公式计算样本q到p
c
的最近投影距离，并通过最短投影距离实现对目标样本的类别推理：d
c
(q)＝-||(i-m
c
)(φ
θ
(q)-μ
c
)||2其中，p
c
是x＝{φ
θ
(x
c,i
)；c＝1,
…
,n；i＝1,
…
,k}的张成子空间基向量对应的截断矩阵；i表示与m
c
同维度的单位矩阵；||
·
||表示矩阵的2范数运算；φ
θ
(q)表示目标样本q的特征嵌入；步骤4.4：为了便于对所提出的方法进行端到端的训练，采用softmax归一化函数来计算待识别样本q被判定为第c类目标的概率，以完成目标识别任务，即：
其中，exp(
·
)表示以常数e为底数的指数运算；步骤5：采用交叉熵损失训练基于子空间学习的分类器，交叉熵损失函数定义如下：其中，c为类别数量，y为真实标签，为预测标签；步骤6：采用如下公式中的总代价函数训练识别模型，最终采用训练好的识别模型进行sar目标识别；l＝l
c
+λl
cl
其中，λ是用于平衡两损失函数重要性的超参数。
技术总结
本发明提出一种基于孪生卷积子空间的目标识别方法，属于雷达的目标识别领域。现有技术中，训练样本充足是基于数据驱动的SAR目标识别方法获得优异识别性能的先决条件。然而，在一些实际的应用场景中，通常只能获取到极其少量的目标样本。为了在样本少量的条件下实现稳健的SAR目标识别，所提方法由特征嵌入模型与分类器两部分构成。首先，建立了一个基于孪生结构的特征嵌入网络，并利用对比学习思想来训练一个类内紧凑、类间分散的低维特征表示空间；然后，设计一个基于子空间学习的分类器，并通过待识别样本到目标类样本张成子空间的最短投影距离来推理目标样本的类别。短投影距离来推理目标样本的类别。短投影距离来推理目标样本的类别。
技术研发人员：于雪莲 李月 任浩浩 刘森 董福禄 邹林 周云
受保护的技术使用者：电子科技大学
技术研发日：2022.09.22
技术公布日：2022/12/22