CN112052762A - 基于高斯原型的小样本isar图像目标识别方法 - Google Patents
基于高斯原型的小样本isar图像目标识别方法 Download PDFInfo
- Publication number
- CN112052762A CN112052762A CN202010877507.0A CN202010877507A CN112052762A CN 112052762 A CN112052762 A CN 112052762A CN 202010877507 A CN202010877507 A CN 202010877507A CN 112052762 A CN112052762 A CN 112052762A
- Authority
- CN
- China
- Prior art keywords
- gaussian
- isar
- isar image
- neural network
- convolutional neural
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000011176 pooling Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于高斯原型的小样本ISAR图像目标识别方法，用于解决现有技术中存在的ISAR图像样本较少情况下识别精度较低的技术问题，实现步骤为：(1)获取训练样本集R0和测试样本集E0；(2)构建深度卷积神经网络C；(3)对深度卷积神经网络C进行迭代训练；(4)获取小样本ISAR图像的目标识别结果。本发明为每一类ISAR图像计算一个对应的高斯原型，通过计算每一幅ISAR图像对应的嵌入向量到高斯原型的距离来对这幅ISAR图像进行识别，有效提高了在ISAR图像样本有限情况下的识别精度。
Description
技术领域
本发明属于雷达图像处理技术领域，涉及一种ISAR自动目标识别方法，具体涉及一种基于高斯原型的小样本ISAR图像目标识别方法，可用于在未知类别标签样本有限情况下的ISAR自动目标识别。
背景技术
逆合成孔径雷达ISAR具有全天候、全天时、高分辨、远作用距离等特性，由于二维高分辨ISAR图像具有可分辨的目标形状，可提供目标的结构与运动信息，被广泛应用于航海、航天、航空的自动目标识别。自动目标识别ATR是基于计算机系统，从传感器获取数据，提取特征，自动给出目标类别属性的算法。近年来，虽然已有大量算法成功应用于合成孔径雷达SAR的自动目标识别，但由于逆合成孔径雷达ISAR图像的固有特性，难以将用于SAR图像的算法直接应用于ISAR图像的自动目标识别。
近年来，深度卷积神经网络(DCNN)被广泛应用于SAR图像ATR中，该类方法不需要人工设计特征提取器及大量的专业知识，能够从数据中自动提取对分类有效的特征，因此获得了优良的识别性能。但是，基于深度学习的自动目标识别需要大量样本。由于ISAR主要观测对象为非合作目标，受观测条件限制，所得ISAR图像数量非常有限。此时，DCNN会遇到模型无法充分训练等困难，无法得到良好的识别效果。
例如，2009年，M.N.Saidi等人在2009IEEE International Geoscience andRemote Sensing Symposium上发表的论文“Automatic Target Recognition of AircraftModels Based on ISAR Images”，提出了一种ISAR图像自动目标识别方法，该方法用支持向量机(SVM)分类器对目标进行识别，提高了ISAR目标识别率，但是其存在的不足之处在于，需要大量的ISAR图像样本进行训练，当ISAR图像的样本数量有限时，识别准确率仍然不高。
发明内容
本发明的目的是针对上述现有技术的不足，提出了一种基于高斯原型的小样本ISAR识别方法，用于解决现有技术中存在的ISAR图像样本有限的情况下识别精度较低的技术问题。
为实现上述目的，本发明采取的技术方案包括如下步骤：
(1)获取训练样本集R0和测试样本集E0：
(1a)选取大小为l×l的N类逆合成孔径雷达ISAR图像，每类ISAR图像的数量为H幅，并对其中每幅M类ISAR图像进行标记，将标记后的M类ISAR图像作为训练样本集R0，将剩余N-M类作为测试样本集E0，其中N≥4，l≤128，H≥20，M≥2；
(1b)从训练样本集R0包含的每类ISAR图像中随机选取m幅组成训练支撑集S1，剩余M(H-m)幅ISAR图像组成训练查询集Q1，同时从测试样本集E0包含的每类ISAR图像中随机选取m幅组成测试支撑集S2，剩余(N-M)(H-m)幅ISAR图像组成测试查询集Q2，其中m≤10；
(2)构建深度卷积神经网络C：
构建包括多个卷积层、多个ReLu激活层、多个最大池化层和一个全连接层的深度卷积神经网络C；
(3)对深度卷积神经网络C进行迭代训练：
(3a)设置迭代次数为t，最小迭代次数为T，T≥1000，并令t＝0；
(3b)将训练样本集R0作为深度卷积神经网络C的输入进行特征提取，得到M×H个特征向量
表示维数为D的嵌入向量，
表示维数为Ds的协方差向量，其中D≥64，Ds＝1或Ds＝D；
(3c)通过每个协方差向量
计算其对应的ISAR图像的高斯协方差矩阵S，得到M×H个高斯协方差矩阵S；
(3d)通过训练支撑集S1所包含的M类ISAR图像对应的高斯协方差矩阵S以及嵌入向量
计算M个高斯原型
(3e)计算训练查询集Q1中每幅ISAR图像对应的嵌入向量
到每个高斯原型
的距离d2，找出每个嵌入向量
到M个高斯原型
中共M(H-m)个最短距离d2'对应的M(H-m)个高斯原型
并将M(H-m)个
对应的类别作为M(H-m)个嵌入向量
对应的ISAR图像的识别结果；
(3f)采用交叉熵损失函数J(θ)，并通过随机梯度下降算法，对深度卷积神经网络C中卷积层的权值参数、最大池化层的权值参数以及全连接层的连接系数进行更新，得到训练后的深度卷积神经网络Ct；
(3g)判断t≥T是否成立，若是，得到训练好的深度卷积神经网络C'，否则，令t＝t+1，并执行步骤(3b)；
(4)获取小样本ISAR图像的目标识别结果：
(4a)将测试样本集E0作为训练后的深度卷积神经网络C'的输入进行特征提取，得到(N-M)×H个特征向量
(4b)通过每个协方差向量
计算其对应的ISAR图像的高斯协方差矩阵S，得到(N-M)×H个高斯协方差矩阵S；
(4c)通过测试支撑集S2所包含的N-M类ISAR图像对应的高斯协方差矩阵S以及嵌入向量
计算N-M个高斯原型
(4d)计算测试查询集Q2中每幅ISAR图像对应的嵌入向量
到每个高斯原型
的距离d2，找出每个嵌入向量
到N-M个高斯原型
中共(N-M)(H-m)个最短距离d2'对应的(N-M)(H-m)高斯原型
并将(N-M)(H-m)个
对应的类别作为(N-M)(H-m)个嵌入向量
对应的ISAR图像的识别结果。
本发明与现有技术相比，具有以下优点：
本发明在对深度卷积神经网络进行迭代训练时，首先获取训练样本集对应的包括嵌入向量和协方差向量的特征向量，并通过协方差向量计算的高斯协方差矩阵，以及嵌入向量计算与训练样本集类别数相同的高斯原型，再通过计算训练查询集中每幅ISAR图像对应的嵌入向量到每个高斯原型的距离，获取每个嵌入向量对应的ISAR图像的识别结果，在计算每类ISAR图像的高斯原型时，仅需要少量的图像即可，避免了现有技术中采用少量样本对识别精度的影响，仿真结果表明，在ISAR图像样本有限的情况下，本发明有效提高了识别精度。
附图说明
图1是本发明的实现流程图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步详细描述。
参照图1，本发明包括如下步骤：
步骤1)获取训练样本集R0和测试样本集E0：
(1a)对N类ISAR目标回波使用Keystone变换及RD算法进行成像，得到N类大小为l×l的ISAR图像，每类ISAR图像的数量为H幅，并对其中每幅M类ISAR图像进行标记，将标记后的M类ISAR图像作为训练样本集R0，将剩余N-M类作为测试样本集E0，其中N≥4，l≤128，H≥20，M≥2，本实施例中，N＝8，l＝128，H＝90，M＝5；
(1b)从训练样本集R0包含的每类ISAR图像中随机选取m幅组成训练支撑集S1，剩余M(H-m)幅ISAR图像组成训练查询集Q1，同时从测试样本集E0包含的每类ISAR图像中随机选取m幅组成测试支撑集S2，剩余(N-M)(H-m)幅ISAR图像组成测试查询集Q2，其中m≤10。
步骤2)构建深度卷积神经网络C：
构建包括四个卷积层、四个ReLu激活层、四个最大池化层和一个全连接层的深度卷积神经网络C，具体结构为：第一卷积层→第一ReLu激活层→第一最大池化层→第二卷积层→第二ReLu激活层→第二最大池化层→第三卷积层→第三ReLu激活层→第三最大池化层→第四卷积层→第四ReLu激活层→第四最大池化层→全连接层。
四个卷积层的卷积核的大小均为3×3，步长均为1，其中第一卷积层和第二卷积层的卷积核个数为16，第三卷积层和第四卷积层的卷积核个数为32；四个最大池化层的大小均为2×2，滑动步长均为2。
步骤3)对深度卷积神经网络C进行迭代训练：
(3a)设置迭代次数为t，最小迭代次数为T，T≥1000，并令t＝0，本实例中,T＝1000；
(3b)将训练样本集R0作为深度卷积神经网络C的输入进行特征提取，得到M×H个特征向量
表示维数为D的嵌入向量，
表示维数为Ds的协方差向量，其中D≥64，Ds＝1或Ds＝D；其中特征向量
的表达式为：
其中，θ表示深度卷积神经网络C的所有权值参数，RD表示D维的实数集，
表示Ds维的实数集。
(3c)通过每个协方差向量
计算其对应的ISAR图像的高斯协方差矩阵S，得到M×H个高斯协方差矩阵S，其中：
Ds＝1时，高斯协方差矩阵S的的表达式为：
∑＝diag(σ,σ,...,σ)
Ds＝D时，高斯协方差矩阵S的的表达式为：
其中，diag表示对角矩阵，σ表示由
计算而来的矩阵元素，
表示由
计算而来的矩阵元素向量，
的计算公式采用以下方法中的任意一种：
方法一：
方法二：
方法三：
方法四：
其中当Ds＝1时，即
是一维的，
softplus(x)＝log(1+ex)，sigmoid(x)＝1/(1+e-x)，o、c和d是初始化为1且可以训练的参数。
(3d)通过训练支撑集S1所包含的M类ISAR图像对应的高斯协方差矩阵S以及嵌入向量
计算M个高斯原型
其中第k类ISAR图像的高斯原型
的计算公式为：
其中，
表示第k类ISAR图像的第i幅的嵌入向量，
表示第k类ISAR图像的第i幅的高斯协方差矩阵，
表示矩阵乘法。
(3e)计算训练查询集Q1中每幅ISAR图像对应的嵌入向量
到每个高斯原型
的距离d2，找出每个嵌入向量
到M个高斯原型
中共M(H-m)个最短距离d2'对应的M(H-m)个高斯原型
并将M(H-m)个
对应的类别作为M(H-m)个嵌入向量
对应的ISAR图像的识别结果，其中
到第k类ISAR图像的高斯原型
的距离
的计算公式为：
其中，
表示第k类ISAR图像的第i幅的高斯协方差矩阵，
表示训练查询集中第i幅ISAR图像的嵌入向量。
(3f)采用交叉熵损失函数J(θ)，并通过随机梯度下降算法，对深度卷积神经网络C中卷积层的权值参数、最大池化层的权值参数以及全连接层的连接系数进行更新，得到训练后的深度卷积神经网络Ct，其表达式为：
J(θ)＝-log p(y＝k|x)
其中，θ表示深度卷积神经网络C的所有权值参数，p(y＝k|x)表示需要识别的ISAR图像x被识别为第k类的概率，y＝k表示x的真实标签，
表示嵌入向量
到第k类ISAR图像的高斯原型
的距离。
(3g)判断t≥T是否成立，若是，得到训练好的深度卷积神经网络C'，否则，令t＝t+1，并执行步骤(3b)；
步骤4)获取小样本ISAR图像的目标识别结果：
(4a)将测试样本集E0作为训练后的深度卷积神经网络C'的输入进行特征提取，得到(N-M)×H个特征向量
(4b)通过每个协方差向量
计算其对应的ISAR图像的高斯协方差矩阵S，得到(N-M)×H个高斯协方差矩阵S；
(4c)通过测试支撑集S2所包含的N-M类ISAR图像对应的高斯协方差矩阵S以及嵌入向量
计算N-M个高斯原型
(4d)计算测试查询集Q2中每幅ISAR图像对应的嵌入向量
到每个高斯原型
的距离d2，找出每个嵌入向量
到N-M个高斯原型
中共(N-M)(H-m)个最短距离d2'对应的(N-M)(H-m)高斯原型
并将(N-M)(H-m)个
对应的类别作为(N-M)(H-m)个嵌入向量
对应的ISAR图像的识别结果。
下面结合仿真实验，对本发明的技术效果作进一步的说明：
1.实验条件：
本发明的仿真实验的硬件平台为：GPU为NVIDIA GeForce RTX 2080Ti，20核，主频为2.2GHz，内存大小为128GB；显存大小为20GB。
本发明的仿真实验的软件平台为：操作系统为windows 10。
本发明的仿真实验的训练样本集为电磁仿真数据，电磁仿真数据包含五类飞机的ISAR图像，雷达的中心频率为17GHz，频带宽度为500MHz。
本发明的仿真实验的测试样本集为实测数据，实测数据包含三类飞机的ISAR图像，雷达的中心频率为5.5GHz，频带宽度为400MHz。
2.仿真内容：
为了验证有限样本情况下本发明的识别效果，通过挑选训练支撑集和测试支撑集中每个类别的ISAR图像数量m训练深度神经网络，并与现有技术方法进行对比仿真，结果如表1所示。
表1
例如，支撑集图像数量为1时，因为只做一次实验具有随机性和偶然性，不能准确反映模型的识别准确度，因此用随机生成器产生了1000个训练支撑集和1000个训练查询集以及1000个测试支撑集和1000个测试查询集，进行了1000次独立重复的实验，对这1000次实验产生的实验结果取平均值作为实验结果。
从表1中可见，在ISAR图像样本有限的情况下，本发明的识别效果明显优于现有技术方法，本发明在ISAR图像样本的越少的情况下，提高ISAR图像目标识别正确率的效果越好。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (7)
1.一种基于高斯原型的小样本ISAR图像目标识别方法，其特征在于，包括如下步骤：
(1)获取训练样本集R0和测试样本集E0：
(1a)选取大小为l×l的N类逆合成孔径雷达ISAR图像，每类ISAR图像的数量为H幅，并对其中每幅M类ISAR图像进行标记，将标记后的M类ISAR图像作为训练样本集R0，将剩余N-M类作为测试样本集E0，其中N≥4，l≤128，H≥10，M≥2；
(1b)从训练样本集R0包含的每类ISAR图像中随机选取m幅组成训练支撑集S1，剩余M(H-m)幅ISAR图像组成训练查询集Q1，同时从测试样本集E0包含的每类ISAR图像中随机选取m幅组成测试支撑集S2，剩余(N-M)(H-m)幅ISAR图像组成测试查询集Q2，其中m≤5；
(2)构建深度卷积神经网络C：
构建包括多个卷积层、多个ReLu激活层、多个最大池化层和一个全连接层的深度卷积神经网络C；
(3)对深度卷积神经网络C进行迭代训练：
(3a)设置迭代次数为t，最小迭代次数为T，T≥1000，并令t＝0；
(3b)将训练样本集R0作为深度卷积神经网络C的输入进行特征提取，得到M×H个特征向量
表示维数为D的嵌入向量，
表示维数为Ds的协方差向量，其中D≥64，Ds＝1或Ds＝D；
(3c)通过每个协方差向量
计算其对应的ISAR图像的高斯协方差矩阵S，得到M×H个高斯协方差矩阵S；
(3d)通过训练支撑集S1所包含的M类ISAR图像对应的高斯协方差矩阵S以及嵌入向量
计算M个高斯原型
(3e)计算训练查询集Q1中每幅ISAR图像对应的嵌入向量
到每个高斯原型
的距离d2，找出每个嵌入向量
到M个高斯原型
中共M(H-m)个最短距离d2'对应的M(H-m)个高斯原型
并将M(H-m)个
对应的类别作为M(H-m)个嵌入向量
对应的ISAR图像的识别结果；
(3f)采用交叉熵损失函数J(θ)，并通过随机梯度下降算法，对深度卷积神经网络C中卷积层的权值参数、最大池化层的权值参数以及全连接层的连接系数进行更新，得到训练后的深度卷积神经网络Ct；
(3g)判断t≥T是否成立，若是，得到训练好的深度卷积神经网络C'，否则，令t＝t+1，并执行步骤(3b)；
(4)获取小样本ISAR图像的目标识别结果：
(4a)将测试样本集E0作为训练后的深度卷积神经网络C'的输入进行特征提取，得到(N-M)×H个特征向量
(4b)通过每个协方差向量
计算其对应的ISAR图像的高斯协方差矩阵S，得到(N-M)×H个高斯协方差矩阵S；
(4c)通过测试支撑集S2所包含的N-M类ISAR图像对应的高斯协方差矩阵S以及嵌入向量
计算N-M个高斯原型
(4d)计算测试查询集Q2中每幅ISAR图像对应的嵌入向量
到每个高斯原型
的距离d2，找出每个嵌入向量
到N-M个高斯原型
中共(N-M)(H-m)个最短距离d2'对应的(N-M)(H-m)高斯原型
并将(N-M)(H-m)个
对应的类别作为(N-M)(H-m)个嵌入向量
对应的ISAR图像的识别结果。
2.根据权利要求1所述的基于高斯原型的小样本ISAR图像目标识别方法，其特征在于，步骤(2)中所述的深度卷积神经网络C，其包含的卷积层、ReLu激活层和最大池化层的个数均为四个，具体参数为：
四个卷积层的卷积核的大小均为3×3，步长均为1，其中第一卷积层和第二卷积层的卷积核个数为16，第三卷积层和第四卷积层的卷积核个数为32；四个最大池化层的大小均为2×2，滑动步长均为2。
3.根据权利要求1所述的基于高斯原型的小样本ISAR图像目标识别方法，其特征在于，步骤(3b)中所述的特征向量
其表达式为：
其中，θ表示深度卷积神经网络C的所有权值参数，RD表示D维的实数集，
表示Ds维的实数集。
4.根据权利要求1所述的基于高斯原型的小样本ISAR图像目标识别方法，其特征在于，步骤(3c)所述的高斯协方差矩阵S，其中：
Ds＝1时，高斯协方差矩阵S的的表达式为：
∑＝diag(σ,σ,...,σ)
Ds＝D时，高斯协方差矩阵S的的表达式为：
其中，diag表示对角矩阵，σ表示由
计算而来的矩阵元素，
表示由
计算而来的矩阵元素向量，
的计算公式采用以下方法中的任意一种：
方法一：
方法二：
方法三：
方法四：
其中当Ds＝1时，即
是一维的，
softplus(x)＝log(1+ex)，sigmoid(x)＝1/(1+e-x)，o、c和d是初始化为1且可以训练的参数。
5.根据权利要求1所述的基于高斯原型的小样本ISAR图像目标识别方法，其特征在于，步骤(3d)所述的高斯原型
其中第k类ISAR图像的高斯原型
的计算公式为：
其中
表示第k类ISAR图像的第i幅的嵌入向量，
表示第k类ISAR图像的第i幅的高斯协方差矩阵，
表示矩阵乘法。
6.根据权利要求1所述的基于高斯原型的小样本ISAR图像目标识别方法，其特征在于，步骤(3e)所述的计算训练查询集Q1中每幅ISAR图像对应的嵌入向量
到每个高斯原型
的距离d2，其中
到第k类ISAR图像的高斯原型
的距离
的计算公式为：
其中，
表示第k类ISAR图像的第i幅的高斯协方差矩阵，
表示训练查询集中第i幅ISAR图像的嵌入向量。
7.根据权利要求1所述的基于高斯原型的小样本ISAR图像目标识别方法，其特征在于，步骤(3f)所述的交叉熵损失函数J(θ)，其表达式为：
J(θ)＝-log p(y＝k|x)
其中，θ表示深度卷积神经网络C的所有权值参数，p(y＝k|x)表示需要识别的ISAR图像x被识别为第k类的概率，y＝k表示x的真实标签，
表示嵌入向量
到第k类ISAR图像的高斯原型
的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010877507.0A CN112052762A (zh) | 2020-08-27 | 2020-08-27 | 基于高斯原型的小样本isar图像目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010877507.0A CN112052762A (zh) | 2020-08-27 | 2020-08-27 | 基于高斯原型的小样本isar图像目标识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112052762A true CN112052762A (zh) | 2020-12-08 |
Family
ID=73599951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010877507.0A Pending CN112052762A (zh) | 2020-08-27 | 2020-08-27 | 基于高斯原型的小样本isar图像目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112052762A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949555A (zh) * | 2021-03-17 | 2021-06-11 | 西安电子科技大学 | 基于目标先验信息的空间目标isar图像分类方法 |
| CN112990334A (zh) * | 2021-03-29 | 2021-06-18 | 西安电子科技大学 | 基于改进原型网络的小样本sar图像目标识别方法 |
| CN113655479A (zh) * | 2021-08-16 | 2021-11-16 | 西安电子科技大学 | 基于可变形卷积和双注意力的小样本sar目标分类方法 |
| CN114584440A (zh) * | 2022-01-27 | 2022-06-03 | 西安电子科技大学 | 基于Transformer编码网络的小样本AMC方法 |
| CN114821252A (zh) * | 2022-03-16 | 2022-07-29 | 电子科技大学 | 一种图像识别算法的自成长方法 |
| CN115929495A (zh) * | 2022-11-30 | 2023-04-07 | 昆明理工大学 | 基于马尔可夫变迁场和改进高斯原型网络的发动机气门故障诊断方法 |
| WO2023087558A1 (zh) * | 2021-11-22 | 2023-05-25 | 重庆邮电大学 | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968620A (zh) * | 2012-11-16 | 2013-03-13 | 华中科技大学 | 一种基于分层高斯混合模型的场景识别方法 |
| CN110490249A (zh) * | 2019-08-16 | 2019-11-22 | 哈尔滨工业大学 | 基于属性类别关系和少样本元学习的结构损伤识别方法 |
| WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
| WO2020048183A1 (zh) * | 2018-09-04 | 2020-03-12 | 上海海事大学 | 一种级联式由粗到精的卷积神经网络船舶类型识别方法 |
| CN110910413A (zh) * | 2019-11-28 | 2020-03-24 | 中国人民解放军战略支援部队航天工程大学 | 一种基于U-Net的ISAR图像分割方法 |
| CN110969212A (zh) * | 2019-12-06 | 2020-04-07 | 西安电子科技大学 | 基于空间变换三通道卷积的isar图像分类方法 |
| CN111062424A (zh) * | 2019-12-05 | 2020-04-24 | 中国科学院计算技术研究所 | 小样本食品图像识别模型训练方法及食品图像识别方法 |
-
2020
- 2020-08-27 CN CN202010877507.0A patent/CN112052762A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102968620A (zh) * | 2012-11-16 | 2013-03-13 | 华中科技大学 | 一种基于分层高斯混合模型的场景识别方法 |
| WO2020037960A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
| WO2020048183A1 (zh) * | 2018-09-04 | 2020-03-12 | 上海海事大学 | 一种级联式由粗到精的卷积神经网络船舶类型识别方法 |
| CN110490249A (zh) * | 2019-08-16 | 2019-11-22 | 哈尔滨工业大学 | 基于属性类别关系和少样本元学习的结构损伤识别方法 |
| CN110910413A (zh) * | 2019-11-28 | 2020-03-24 | 中国人民解放军战略支援部队航天工程大学 | 一种基于U-Net的ISAR图像分割方法 |
| CN111062424A (zh) * | 2019-12-05 | 2020-04-24 | 中国科学院计算技术研究所 | 小样本食品图像识别模型训练方法及食品图像识别方法 |
| CN110969212A (zh) * | 2019-12-06 | 2020-04-07 | 西安电子科技大学 | 基于空间变换三通道卷积的isar图像分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| M. MARTORELLA 等: "AUTOMATIC TARGET RECOGNITION BY MEANS OF POLARIMETRIC ISAR IMAGES AND NEURAL NETWORKS", 《IGARSS 2008》 * |
| STANISLAV FORT: "Gaussian Prototypical Networks for Few-Shot Learning on Omniglot", 《ARXIV:1708.02735V1》 * |
| 汪航 等: "基于小样本学习的SAR图像识别", 《计算机科学》 * |
| 王芳: "基于ISAR像的雷达目标识别算法研究", 《中国优秀博士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949555A (zh) * | 2021-03-17 | 2021-06-11 | 西安电子科技大学 | 基于目标先验信息的空间目标isar图像分类方法 |
| CN112949555B (zh) * | 2021-03-17 | 2023-03-24 | 西安电子科技大学 | 基于目标先验信息的空间目标isar图像分类方法 |
| CN112990334A (zh) * | 2021-03-29 | 2021-06-18 | 西安电子科技大学 | 基于改进原型网络的小样本sar图像目标识别方法 |
| CN113655479A (zh) * | 2021-08-16 | 2021-11-16 | 西安电子科技大学 | 基于可变形卷积和双注意力的小样本sar目标分类方法 |
| CN113655479B (zh) * | 2021-08-16 | 2023-07-07 | 西安电子科技大学 | 基于可变形卷积和双注意力的小样本sar目标分类方法 |
| WO2023087558A1 (zh) * | 2021-11-22 | 2023-05-25 | 重庆邮电大学 | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 |
| CN114584440A (zh) * | 2022-01-27 | 2022-06-03 | 西安电子科技大学 | 基于Transformer编码网络的小样本AMC方法 |
| CN114821252A (zh) * | 2022-03-16 | 2022-07-29 | 电子科技大学 | 一种图像识别算法的自成长方法 |
| CN114821252B (zh) * | 2022-03-16 | 2023-05-26 | 电子科技大学 | 一种图像识别算法的自成长方法 |
| CN115929495A (zh) * | 2022-11-30 | 2023-04-07 | 昆明理工大学 | 基于马尔可夫变迁场和改进高斯原型网络的发动机气门故障诊断方法 |
| CN115929495B (zh) * | 2022-11-30 | 2024-05-14 | 昆明理工大学 | 基于马尔可夫变迁场和改进高斯原型网络的发动机气门故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112052762A (zh) | 基于高斯原型的小样本isar图像目标识别方法 | |
| CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
| CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
| CN108229404B (zh) | 一种基于深度学习的雷达回波信号目标识别方法 | |
| CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
| CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
| CN103984966B (zh) | 基于稀疏表示的sar图像目标识别方法 | |
| CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
| CN108008385B (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
| CN107728143B (zh) | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 | |
| Bhalla et al. | A global scattering center representation of complex targets using the shooting and bouncing ray technique | |
| CN108154192A (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
| CN109284704A (zh) | 基于cnn的复杂背景sar车辆目标检测方法 | |
| CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
| CN110163275B (zh) | 基于深度卷积神经网络的sar图像目标分类方法 | |
| CN109389080A (zh) | 基于半监督wgan-gp的高光谱图像分类方法 | |
| CN110619352A (zh) | 基于深度卷积神经网络的典型红外目标分类方法 | |
| CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
| CN109932717B (zh) | 基于环境统计建模的isar高分辨成像方法 | |
| CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
| CN113673312B (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
| CN111709307A (zh) | 一种基于分辨率增强的遥感图像小目标检测方法 | |
| Bao et al. | SAR image simulation by generative adversarial networks | |
| Heylen et al. | Multidimensional pixel purity index for convex hull estimation and endmember extraction | |
| CN108983187B (zh) | 基于ewc的在线雷达目标识别方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201208 |