本发明属于目标识别,具体涉及一种基于关键特征捕获与判别的小样本sar目标识别方法。
背景技术:
1、作为一种应用广泛的有源遥感技术,合成孔径雷达(synthetic aperture radar,sar)可为各种民用应用提供高分辨率、昼夜和不受天气影响的图像。sar目标识别是其中一项重要应用,现已提出了许多方法。受深度学习飞速发展的影响,众多学者也利用其来解决sar目标识别的瓶颈问题。
2、文献“s.chen,h.wang,sar target recognition based on deep learning,in:2014international conference on data science and advanced analytics(dsaa),ieee,2014,pp.541–547.”介绍了卷积神经网络(convolutional neural networks,cnn)在sar目标识别中的应用,并评估了其在基准的移动和静止目标采集与识别(moving andstationary target acquisition and recognition,mstar)数据集上的性能。文献“s.a.wagner,sar atr by acombination of convolutional neural network andsupport vector machines,ieee transactions on aerospace and electronic systems52(6)(2016)2861–2872.”提出使用cnn提取特征向量,然后将特征向量输入支持向量机进行分类。
3、目前,大多数方法都集中在假设可用数据足够的情况下,通过训练网络来提高识别性能。然而,在数据严重受限的情况下,即小样本条件下,现有方法通常将整个目标图像作为一个整体输入来训练识别网络模型,深度学习模型可能无法从整体中捕捉到图像的关键区域,而是集中在无用甚至有害的区域进行识别。有限的标签信息意味着模型无法获得足够的信息来决定对整个sar图像的焦点位置和提取判别特征,导致识别性能较差。因此,在有限的训练sar样本下,基于整体图像的目标识别方法并不是最优的,因为提取的整体特征中包含大量无用甚至有害的局部图像区域特征,而不是关键图像区域的判别特征。
技术实现思路
1、为解决上述技术问题,本发明提出了一种基于关键特征捕获与判别的小样本sar目标识别方法。
2、本发明的技术方案:一种基于关键特征捕获与判别的小样本sar目标识别方法,具体步骤如下:
3、步骤一、构建全局辅助分支结构,接收输入的整个sar目标图像进行初始识别并计算初始识别损失;
4、步骤二、利用特征捕获模块分割sar目标图像,获取用于当前识别的关键图像区域切片;
5、步骤三、构建局部增强分支结构,对分割后的关键图像区域切片进行再一次识别并计算损失;
6、步骤四、利用特征识别模块协作全局和局部分支,提高全局特征中类间相似样本对的局部特征可分离性和类内不相似样本对的局部特征紧凑性,完成最终的目标识别。
7、本发明的有益效果:本发明的方法通过全局辅助分支结构接收整个sar目标图像进行初始识别并提供初始识别损失,然后利用特征捕获模块分割sar目标图像,获取用于当前识别的关键图像区域切片,再构建局部增强分支结构,对分割后的关键图像区域切片再一次识别并计算损失,最后利用特征识别模块协作全局和局部分支,提高全局特征中类间相似样本对的局部特征可分离性和类内不相似样本对的局部特征紧凑性,完成最终的目标识别。本发明的方法通过协作全局和局部分支结构来搜索捕获目标图像关键区域,使识别模型集中在有效判别区域进行学习训练,提高目标图像提取特征的有效性、辨别能力和小样本下的sar目标识别精度和鲁棒性。
1.一种基于关键特征捕获与判别的小样本sar目标识别方法,具体步骤如下:
2.根据权利要求1所述的一种基于关键特征捕获与判别的小样本sar目标识别方法,其特征在于,所述步骤一具体如下:
3.根据权利要求1所述的一种基于关键特征捕获与判别的小样本sar目标识别方法,其特征在于,所述步骤二具体如下:
4.根据权利要求1所述的一种基于关键特征捕获与判别的小样本sar目标识别方法,其特征在于,所述步骤三具体如下:
5.根据权利要求1所述的一种基于关键特征捕获与判别的小样本sar目标识别方法,其特征在于,所述步骤四具体如下: