CN110728217A - Sar图像识别方法、装置、设备和存储介质 - Google Patents

Sar图像识别方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN110728217A
CN110728217A CN201910930421.7A CN201910930421A CN110728217A CN 110728217 A CN110728217 A CN 110728217A CN 201910930421 A CN201910930421 A CN 201910930421A CN 110728217 A CN110728217 A CN 110728217A
Authority
CN
China
Prior art keywords
data
sar image
support set
function
training set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910930421.7A
Other languages
English (en)
Other versions
CN110728217B (zh
Inventor
邓文博
翟懿奎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuyi University
Original Assignee
Wuyi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuyi University filed Critical Wuyi University
Priority to CN201910930421.7A priority Critical patent/CN110728217B/zh
Publication of CN110728217A publication Critical patent/CN110728217A/zh
Application granted granted Critical
Publication of CN110728217B publication Critical patent/CN110728217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种SAR图像识别方法、装置、设备和存储介质，主要包括基线模型遵循网络预训练和微调的标准迁移学习过程，当进行SAR图像识别时，可以将SAR图像支持集数据输入到表征函数进行学习，对每个支持集数据输入到基线模型函数中生成权值进行微调，便可快速适应，通过建立SAR数据支持集和训练集的索引，并调整训练集的参数来最小化预测损失Loss，从而无需依赖大量原始数据进行模型构建，有效地弥补了传统方法和深度学习方法的不足。

Description

SAR图像识别方法、装置、设备和存储介质
技术领域
本发明涉及图像识别技术领域，尤其是一种基于元迁移学习的端到端SAR图像识别方法、装置、设备和存储介质。
背景技术
传统的SAR图像识别方法人力干预较多，数据处理较为复杂。深度学习的出现有效的解决了传统方法存在的问题，CNN(Convolutional Neural Network,CNN)通过多级非线性映射从原始图像中学习到更加抽象的特征，并在整个学习过程中只需少量的人工参与，通过从大量的数据中学习特征映射，并进行准确的目标分类，整体性能较传统方法提升较大，类似网络还包含AlexNet,Squeezenet、InceptionNet等。然而，深度学习的方法大量依赖原始数据进行模型构建。因此，如何弥补传统方法和深度学习方法的不足成为SAR图像识别过程中亟待解决的问题。
发明内容
为解决上述问题，本发明的目的在于提供一种基于元迁移学习的端到端SAR图像识别方法、装置、设备和存储介质，主要包括基线模型遵循网络预训练和微调的标准迁移学习过程，有效地弥补了传统方法和深度学习方法的不足。
本发明解决其问题所采用的技术方案是：
第一方面，本发明实施例提出了一种SAR图像识别方法，包括：
将SAR图像支持集数据输入到表征函数进行学习；
对每个支持集数据输入到基线模型函数中生成权值；
建立SAR数据支持集和训练集的索引；
通过对训练集标签进行预测来最小化训练集损失。
进一步，所述将SAR图像支持集数据输入到表征函数进行学习包括：将随机采样的SAR图像支持集数据输入到表征函数u中，利用表征损失Lossemb来捕获表示学习目标，并将梯度作为元信息获取。
进一步，所述对每个支持集数据输入到基线模型函数中生成权值包括：对每个支持集样本数据输入到基线模型函数中，之后计算出预测的标签和支持集实际的标签通过交叉熵损失函数计算Loss。
进一步，所述建立SAR数据支持集和训练集的索引包括：利用参数为权值表征函数u为支持集进行建立索引，通过具有权值的表征函数u对训练集建立查询索引。
进一步，所述通过对训练集标签进行预测来最小化训练集损失包括：通过反向传播方式进行SAR图像数据的预测，采用反向传播算法去最小化任务损失。
第二方面，本发明实施例还提出了一种SAR图像识别装置，包括：
表征函数学习模块，用于将SAR图像支持集数据输入到表征函数进行学习；
权值生成模块，用于对每个支持集数据输入到基线模型函数中生成权值；
建立索引模块，用于建立SAR数据支持集和训练集的索引；
预测模块，用于通过对训练集标签进行预测来最小化训练集损失。
第三方面，本发明实施例还提出了一种SAR图像识别设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面所述的方法。
第四方面，本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行本发明第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：本发明提供的一种SAR图像识别方法、装置、设备和存储介质，主要包括基线模型遵循网络预训练和微调的标准迁移学习过程，当进行SAR图像识别时，可以将SAR图像支持集数据输入到表征函数进行学习，对每个支持集数据输入到基线模型函数中生成权值进行微调，便可快速适应，通过建立SAR数据支持集和训练集的索引，并调整训练集的参数来最小化预测损失Loss，从而无需依赖大量原始数据进行模型构建，有效地弥补了传统方法和深度学习方法的不足。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明第一实施例中SAR图像识别方法的流程简图；
图2是本发明第二实施例中SAR图像识别装置的结构简图；
图3是本发明第三实施例中SAR图像识别设备的结构简图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
下面结合附图，对本发明实施例作进一步阐述。
如图1所示，本发明的第一实施例提供了一种SAR图像识别方法，包括但不限于以下步骤：
S100:将SAR图像支持集数据输入到表征函数进行学习；
S200:对每个支持集数据输入到基线模型函数中生成权值；
S300:建立SAR数据支持集和训练集的索引；
S400:通过对训练集标签进行预测来最小化训练集损失
在步骤S100中，将随机采样的SAR图像支持集数据输入到表征函数u中，利用表征损失Lossemb来捕获表示学习目标，并将梯度作为元信息获取。
在步骤S200中，对每个支持集样本数据输入到基线模型函数中，之后计算出预测的标签和支持集实际的标签通过交叉熵损失函数计算Loss。
在步骤S300中，利用参数为权值表征函数u为支持集进行建立索引，通过具有权值的表征函数u对训练集建立查询索引。
在步骤S400中，通过反向传播方式进行SAR图像数据的预测，采用反向传播算法去最小化任务损失。
下面更详细地描述SAR图像识别方法步骤：
表征函数的学习：将随机采样的SAR图像支持集数据输入到表征(嵌入)函数u中，为了得到SAR图像数据集的嵌入，利用表征损失Lossemb来捕获表示学习目标，并将梯度作为元信息获取。其中损失函数为:
Li＝lossemb(u(Q,x'i),y'i)
具体计算是随机抽取T对支持来计算嵌入损失:
Li＝lossemb(u(Q,x'1,i),u(Q,x'2,i),li)
其中，li是辅助标签：
Figure BDA0002220098020000051
所有的SAR图像支持集样本嵌入做距离计算后经过映射或sigmoid函数转化为概率，就成为二分类问题。每次任务损失反向传播得到其损失梯度信息：
对函数u每次任务损失反向传播得到其梯度信息
Figure BDA0002220098020000062
通过快权值生成函数d的映射得到权值Q*：
Figure BDA0002220098020000063
权值的生成：对每个支持集样本数据输入到基线模型函数中，之后计算出预测的标签和支持集实际的标签通过交叉熵等损失函数计算Loss：
Li＝losstask(b(W,x'i),y'i)
生成的权值需要支持集的元信息，即利用支持集的损失梯度信息：
Figure BDA0002220098020000064
函数m从损失梯度
Figure BDA0002220098020000065
中学到一个映射，映射后得到权值
建立SAR数据支持集的索引：利用参数为权值Q*表征函数u为支持集进行建立索引
Figure BDA0002220098020000067
r'i＝u(Q,Q*,xi)
建立训练集的索引：与上一步类似，通过具有权值的表征函数u对训练集建立查询索引(对训练集的嵌入)
ri＝u(Q,Q*,xi)
训练集标签的预测：通过反向传播方式进行SAR图像数据的预测
这里的
Figure BDA0002220098020000071
是对的预测输出，另外这里的输入也可以用训练集的嵌入
Figure BDA0002220098020000073
代替。最终训练集损失的计算：
losstask(b(W,Wi *,xi),yi)
整个网络的训练参数是θ＝{W,Q,Z,G}。通过像反向传播算法去最小化任务损失。
综上所述，与现有技术相比，本SAR图像识别方法的优点在于：主要包括基线模型遵循网络预训练和微调的标准迁移学习过程，当进行SAR图像识别时，可以将SAR图像支持集数据输入到表征函数进行学习，对每个支持集数据输入到基线模型函数中生成权值进行微调，便可快速适应，通过建立SAR数据支持集和训练集的索引，并调整训练集的参数来最小化预测损失Loss，从而无需依赖大量原始数据进行模型构建，有效地弥补了传统方法和深度学习方法的不足。
另外，如图2所示，本发明的第二实施例提供了一种SAR图像识别装置，包括：
表征函数学习模块110，用于将SAR图像支持集数据输入到表征函数进行学习；
权值生成模块120，用于对每个支持集数据输入到基线模型函数中生成权值；
建立索引模块130，用于建立SAR数据支持集和训练集的索引；
预测模块140，用于通过对训练集标签进行预测来最小化训练集损失。
本实施例中的SAR图像识别装置与第一实施例中的SAR图像识别方法基于相同的发明构思，因此，本实施例中的SAR图像识别系统具有相同的有益效果：当进行SAR图像识别时，可以将SAR图像支持集数据输入到表征函数进行学习，对每个支持集数据输入到基线模型函数中生成权值进行微调，便可快速适应，通过建立SAR数据支持集和训练集的索引，并调整训练集的参数来最小化预测损失Loss，从而无需依赖大量原始数据进行模型构建，有效地弥补了传统方法和深度学习方法的不足。
如图3所示，本发明的第三实施例还提供了一种SAR图像识别设备，包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述第一实施例中任意一种SAR图像识别方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的虚拟影像控制方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行立体成像处理装置的各种功能应用以及数据处理，即实现上述任一方法实施例的SAR图像识别方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据立体成像处理装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该立体投影装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任意方法实施例中的SAR图像识别方法，例如第一实施例中的方法步骤S100至S400。
本发明的第四实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个处理器执行上述方法实施例中的一种SAR图像识别方法，例如第一实施例中的方法步骤S100至S400。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种SAR图像识别方法，其特征在于，包括：
将SAR图像支持集数据输入到表征函数进行学习；
对每个支持集数据输入到基线模型函数中生成权值；
建立SAR数据支持集和训练集的索引；
通过对训练集标签进行预测来最小化训练集损失。
2.根据权利要求1所述的一种SAR图像识别方法，其特征在于，所述将SAR图像支持集数据输入到表征函数进行学习包括：将随机采样的SAR图像支持集数据输入到表征函数u中，利用表征损失Lossemb来捕获表示学习目标，并将梯度作为元信息获取。
3.根据权利要求1所述的一种SAR图像识别方法，其特征在于，所述对每个支持集数据输入到基线模型函数中生成权值包括：对每个支持集样本数据输入到基线模型函数中，之后计算出预测的标签和支持集实际的标签通过交叉熵损失函数计算Loss。
4.根据权利要求1所述的一种SAR图像识别方法，其特征在于，所述建立SAR数据支持集和训练集的索引包括：利用参数为权值表征函数u为支持集进行建立索引，通过具有权值的表征函数u对训练集建立查询索引。
5.根据权利要求1所述的一种SAR图像识别方法，其特征在于，所述通过对训练集标签进行预测来最小化训练集损失包括：通过反向传播方式进行SAR图像数据的预测，采用反向传播算法去最小化任务损失。
6.一种SAR图像识别装置，其特征在于，包括：
表征函数学习模块，用于将SAR图像支持集数据输入到表征函数进行学习；
权值生成模块，用于对每个支持集数据输入到基线模型函数中生成权值；
建立索引模块，用于建立SAR数据支持集和训练集的索引；
预测模块，用于通过对训练集标签进行预测来最小化训练集损失。
7.一种SAR图像识别设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至5任一项所述的方法。
CN201910930421.7A 2019-09-29 2019-09-29 Sar图像识别方法、装置、设备和存储介质 Active CN110728217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910930421.7A CN110728217B (zh) 2019-09-29 2019-09-29 Sar图像识别方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910930421.7A CN110728217B (zh) 2019-09-29 2019-09-29 Sar图像识别方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN110728217A true CN110728217A (zh) 2020-01-24
CN110728217B CN110728217B (zh) 2023-06-20

Family

ID=69219547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910930421.7A Active CN110728217B (zh) 2019-09-29 2019-09-29 Sar图像识别方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN110728217B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800980A (zh) * 2021-02-01 2021-05-14 南京航空航天大学 一种基于多层次特征的sar目标识别方法
CN113688757A (zh) * 2021-08-30 2021-11-23 五邑大学 一种sar图像识别方法、装置及存储介质
CN113688757B (zh) * 2021-08-30 2024-07-05 五邑大学 一种sar图像识别方法、装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107526928A (zh) * 2017-08-21 2017-12-29 北京工业大学 一种基于特性参数反馈的微波热消融温度场仿真方法
CN109508655A (zh) * 2018-10-28 2019-03-22 北京化工大学 基于孪生网络的不完备训练集的sar目标识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107526928A (zh) * 2017-08-21 2017-12-29 北京工业大学 一种基于特性参数反馈的微波热消融温度场仿真方法
CN109508655A (zh) * 2018-10-28 2019-03-22 北京化工大学 基于孪生网络的不完备训练集的sar目标识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800980A (zh) * 2021-02-01 2021-05-14 南京航空航天大学 一种基于多层次特征的sar目标识别方法
CN112800980B (zh) * 2021-02-01 2021-12-07 南京航空航天大学 一种基于多层次特征的sar目标识别方法
CN113688757A (zh) * 2021-08-30 2021-11-23 五邑大学 一种sar图像识别方法、装置及存储介质
CN113688757B (zh) * 2021-08-30 2024-07-05 五邑大学 一种sar图像识别方法、装置及存储介质

Also Published As

Publication number Publication date
CN110728217B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN109871845B (zh) 证件图像提取方法及终端设备
CN113761261A (zh) 图像检索方法、装置、计算机可读介质及电子设备
CN109033107A (zh) 图像检索方法和装置、计算机设备和存储介质
CN113128478B (zh) 模型训练方法、行人分析方法、装置、设备及存储介质
CN111598182A (zh) 训练神经网络及图像识别的方法、装置、设备及介质
CN112200887B (zh) 一种基于梯度感知的多聚焦图像融合方法
CN113688890A (zh) 异常检测方法、装置、电子设备及计算机可读存储介质
CN112102165A (zh) 一种基于零样本学习的光场图像角域超分辨系统及方法
CN110929806A (zh) 基于人工智能的图片处理方法、装置及电子设备
CN114863092A (zh) 一种基于知识蒸馏的联邦目标检测方法及系统
CN116994021A (zh) 图像检测方法、装置、计算机可读介质及电子设备
CN115018039A (zh) 一种神经网络蒸馏方法、目标检测方法以及装置
CN112150497A (zh) 基于二值神经网络的局部激活方法与系统
CN117036184A (zh) 图像合成方法、装置、电子设备及存储介质
Zhou et al. MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution
CN110728217A (zh) Sar图像识别方法、装置、设备和存储介质
CN111898544B (zh) 文字图像匹配方法、装置和设备及计算机存储介质
CN113705215A (zh) 一种基于元学习的大规模多标签文本分类方法
CN111242176B (zh) 计算机视觉任务的处理方法、装置及电子系统
CN113191183A (zh) 人员重新识别中的无监督域纠正伪标签方法及装置
CN112084936A (zh) 一种人脸图像预处理方法、装置、设备及存储介质
CN113705317B (zh) 图像处理模型训练方法、图像处理方法及相关设备
CN115439878A (zh) 目标重识别模型抗遗忘训练方法、目标重识别方法及装置
CN114677535A (zh) 域适应图像分类网络的训练方法、图像分类方法及装置
Zhang et al. Adaptive coding unit size convolutional neural network for fast 3D-HEVC depth map intracoding

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant