CN113298007B - 一种小样本sar图像目标识别方法 - Google Patents
一种小样本sar图像目标识别方法 Download PDFInfo
- Publication number
- CN113298007B CN113298007B CN202110622757.4A CN202110622757A CN113298007B CN 113298007 B CN113298007 B CN 113298007B CN 202110622757 A CN202110622757 A CN 202110622757A CN 113298007 B CN113298007 B CN 113298007B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- sar image
- generated
- sar
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000005484 gravity Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 238000010008 shearing Methods 0.000 abstract description 3
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 23
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 23
- 238000013527 convolutional neural network Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种小样本SAR图像目标识别方法,该方法首先基于SAR图像目标的特性,建立了生成对抗网络,随后引入了两类客观参数,评价生成图像,筛选评价较高的图像构建扩容数据集;最后,使用基于CNN的SAR图像分类模型对扩容后的数据集进行目标识别,对比分析了多种不同方法扩容的数据集的结果。本发明方法能有效改善SAR目标识别数据集数据分布的均匀性和内容的多样性,相较于传统的SAR数据集扩容方式如图像剪切、尺度变换、反转变换等方法,有着大幅度的提升。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种SAR图像目标识别方法。
背景技术
合成孔径雷达(Synthetic aperture radar,SAR)因其穿透力和天候适应性极强的特点,已经在军用及民用领域的各个方面得到广泛的应用,针对其开展的各方面研究一直是雷达图像方面的热点。随着SAR传感器的大幅度提升,SAR数据处理的要求日益增多,SAR自动识别技术(Automatic Target Recognition,ATR)也越来越多的投入使用或是进入准备阶段。恰逢近些年深度学习的火热,大量新的模型、新的网络架构被提出,可以在ATR技术中使用。但是现有的目标识别算法的模型构建,往往都需要大量的训练数据,以保证其模型的可靠性,而由于SAR图像成像原理的特殊性,并没有足够的已专家标注的数据集供给训练模型,这也就意味着用少量样本训练模型会埋藏下过拟合等隐患,从而影响最终实用时的模型识别准确率。因此,如何解决小样本环境下SAR图像目标识别问题,是当前面临的难题之一。
发明内容
为了克服现有技术的不足,本发明提供了一种小样本SAR图像目标识别方法,该方法首先基于SAR图像目标的特性,建立了生成对抗网络,随后引入了两类客观参数,评价生成图像,筛选评价较高的图像构建扩容数据集;最后,使用基于CNN的SAR图像分类模型对扩容后的数据集进行目标识别,对比分析了多种不同方法扩容的数据集的结果。本发明方法能有效改善SAR目标识别数据集数据分布的均匀性和内容的多样性,相较于传统的SAR数据集扩容方式如图像剪切、尺度变换、反转变换等方法,有着大幅度的提升。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤1:构建生成对抗网络GAN的生成器和对抗器,利用原始SAR图像数据集生成新SAR图像样本;
步骤2:构建生成图像筛选器,通过设定筛选指标,从步骤1生成的新SAR图像样本中筛选出符合要求的SAR图像样本,扩充原始SAR图像数据集;
步骤3:使用基于CNN的SAR图像分类模型对扩充后的SAR图像数据集进行目标识别。
进一步地,所述步骤1的具体步骤为:
步骤1-1:构建判别器D,判断一个未知样本是来自于真实数据x还是由生成器G产生的G(z),z表示噪声序列;判别器D的结构如表1:
表1 GAN的判别器D结构
判别器D的损失函数如式(1)所示:
其中,E表示期望,x表示真实样本,z表示噪声,D(x)为判别器将真实样本输入判为真实样本的概率,D(G(z))为判别器将生成样本输入判为真实样本的概率;Pr(x)表示真实样本服从的分布,Pz(z)表示噪声z服从的分布;
步骤1-2:构建生成器G,通过噪声序列z生成服从真实数据分布Pr(x)的样本G(z),使判别器D无法区分样本来源;生成器G的结构如表2:
表2 GAN的生成器G结构
生成器G的损失函数如下:
步骤1-3:判别器D和生成器G不断地周期性交替训练,直至达到收敛;此时生成器G所生成的图像使判别器D无法判断样本来源是真实数据还是生成数据;
步骤1-4:由训练完成的GAN生成新SAR图像样本。
进一步地,所述步骤2的具体步骤为:
步骤2-1:设定筛选指标;
步骤2-1-1:第一类衡量SAR图像辐射性能的三种指标:
1、图像均值:指整个图像的平均灰度,反映图像的实际测量值中所包含的平均后向散射特性;如式(2)表示:
其中,Iij为图像中每个像素的灰度值,M、N为图像的尺寸;
2、图像方差:图像方差反映图像的不均匀性;如式(3)表示:
其中,σI为图像的标准差;
3、等效视数:等效视数是衡量一幅SAR图像斑点噪声相对强度的指标,度量图像对不同后向散射特征区域的识别能力;等效视数越大,表明图像上的斑点噪声越弱,反之,等效视数越小,表明图像上的斑点噪声越强;如式(4)表示:
步骤2-1-2:第二类是衡量GAN生成图像的评价指标;
1、IS:考量图像的清晰度和多样性;
其中DKL表示p(y|x)对于p(y)的KL散度,p(y|x)表示生成图像属于各个类别的条件概率,p(y)表示生成图像全体在所有类别上的边缘概率,y表示所有类别,pg表示生成图像服从的分布;
2、FID:FID距离是在特征空间中真实样本和生成样本之间的距离;具体公式如下:
d2(F,G)=|μx-μy|2+tr[Σx+Σy-2(ΣxΣy)2] (7)
其中μx、μy和Σx、Σy分别代表真实样本F和生成样本G的均值和协方差矩阵;
步骤2-2:图像筛选器指标设定:第一类指标和第二类指标比重的比值设定为为4:6;第一类中图像均值、图像方差、等效视数三种指标比重的比值为1:1:1;第二类中IS:FID=4:6;
步骤2-3:设定筛选目标值,采用图像筛选器对步骤1中由GAN生成的新SAR图像样本进行筛选,将满足筛选目标值的新SAR图像样本加入原始SAR图像数据集,对原始SAR图像数据集进行扩充。
进一步地,所述步骤3的具体步骤为:
步骤3-1:构建基于CNN的SAR图像分类模型;
所述基于CNN的SAR图像分类模型共有7层,接受输入图像大小为64×64=4096的三通道RGB图像,输出对应10个类别的得分;
具体结构如表3所示:
表3基于CNN的SAR图像分类模型结构
步骤3-2:使用步骤3-1构建的基于CNN的SAR图像分类模型对扩充后的SAR图像数据集进行目标识别。
本发明的有益效果如下:
1、本发明方法能有效改善SAR目标识别数据集数据分布的均匀性和内容的多样性,相较于传统的SAR数据集扩容方式如图像剪切、尺度变换、反转变换等方法,有着大幅度的提升。
2、目前的扩容方式主要针对光学图像数据集,但由于在成像原理上光学图像同SAR图像之间存在着巨大的差异,直接将光学图像数据集扩容方法应用于SAR图像并不能产生很好的效果,反而可能产生负优化。本发明方法克服了上述问题,取得了较好的效果
附图说明
图1为本发明GAN网络结构图。
图2为本发明基于CNN的SAR图像分类模型示意图。
图3为本发明实施例数据集不均衡导致的CNN识别失效示意图。
图4为本发明实施例传统方法扩容后的数据集例图。
图5为本发明实施例GAN扩容后的数据集例图。
图6为本发明实施例数据集扩容完善后使用CNN的准确率和损失函数示意图,其中(a)为准确率,(b)为损失函数。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明提出了一种小样本SAR图像目标识别方法,用于解决SAR图像数据集数量有限又分布不均情况下的目标识别问题。
一种小样本SAR图像目标识别方法,包括如下步骤:
步骤1:如图1所示,构建生成对抗网络GAN的生成器和对抗器,利用原始SAR图像数据集生成新SAR图像样本;
步骤2:构建生成图像筛选器,通过设定筛选指标,从步骤1生成的新SAR图像样本中筛选出符合要求的SAR图像样本,扩充原始SAR图像数据集;
步骤3:使用基于CNN的SAR图像分类模型对扩充后的SAR图像数据集进行目标识别。
进一步地,所述步骤1的具体步骤为:
生成对抗网络(Generative Adversarial Networks,GAN)是通过博弈对抗方式来训练生成网络产生的服从真实数据分布的样本,基于博弈理论的零和博弈思想,将其应用于深度学习神经网络,即有两个网络进行对抗训练。一个是判别网络D(Discriminator),其目的是尽可能准确地判断一个未知样本是来自于真实数据还是由生成网络产生;而另一个则是生成网络G(Generator),其目的是尽可能生成判别网络无法区分来源的样本,使这两个目的相悖的网络不断地周期性交替训练。若网络最后是收敛的,那么最后生成网络所生成的图像就会使得判别网络再也无法判断其来源是真实数据还是生成数据,即生成了GAN所认为的“真实”图像。
步骤1-1:构建判别器D,判断一个未知样本是来自于真实数据x还是由生成器G产生的G(z),z表示噪声序列;判别器D的结构如表1:
表1 GAN的判别器D结构
判别器D的损失函数如式(1)所示:
其中,E表示期望,D(x)为判别器将真实样本输入判为真实样本的概率,D(G(z))为判别器将生成样本输入判为真实样本的概率;;Pr(x)表示真实样本的分布,Pz(z)表示噪声z服从的分布;
步骤1-2:构建生成器G,通过噪声序列z生成服从真实数据分布Pr(x)的样本G(z),使判别器D无法区分样本来源;生成器G的结构如表2:
表2 GAN的生成器G结构
生成器G的损失函数如下:
步骤1-3:判别器D和生成器G不断地周期性交替训练,直至达到收敛;此时生成器G所生成的图像使判别器D无法判断样本来源是真实数据还是生成数据;
步骤1-4:由训练完成的GAN生成新SAR图像样本。
进一步地,所述步骤2的具体步骤为:
对于生成数据的质量,可以通过对比原始SAR数据与生成数据之间的相似程度来对其进行衡量,相似程度越高,表明生成数据的质量也越高;
步骤2-1:设定筛选指标;
步骤2-1-1:第一类衡量SAR图像辐射性能的三种指标:
1、图像均值:指整个图像的平均灰度,反映图像的实际测量值中所包含的平均后向散射特性;如式(2)表示:
其中,Iij为图像中每个像素的灰度值,M、N为图像的尺寸;
2、图像方差:图像方差反映图像的不均匀性;如式(3)表示:
其中,σI为图像的标准差;
3、等效视数:等效视数是衡量一幅SAR图像斑点噪声相对强度的指标,度量图像对不同后向散射特征区域的识别能力;等效视数越大,表明图像上的斑点噪声越弱,反之,等效视数越小,表明图像上的斑点噪声越强;如式(4)表示:
步骤2-1-2:第二类是衡量GAN生成图像的评价指标;
1、IS:考量图像的清晰度和多样性;
清晰度:把生成的图片x输入Inception V3(来源于Google的Inception Net的第三个版本)中,得到输出1000维的向量y,向量的每个维度的值对应图片属于某类的概率,则p(y|x)的熵应该很小;
多样性:若模型产生的图像足够多样,则其所产生的图像在各类别中的分布应均匀,且生成图像的概率边缘分布p(y)熵较大;
其中DKL表示p(y|x)对于p(y)的KL散度,p(y|x)表示生成图像属于各个类别的条件概率,p(y)表示生成图像全体在所有类别上的边缘概率,y表示所有类别,pg表示生成图像服从的分布;
2、FID:FID距离是在特征空间中真实样本和生成样本之间的距离;其首先利用Inception网络来提取特征,然后对特征空间进行建模,最后求解两个特征之间的距离,较低的FID意味着较高图片的质量和多样性。具体公式如下:
d2(F,G)=|μx-μy|2+tr[Σx+Σy-2(ΣxΣy)2] (7)
其中μx、μy和Σx、Σy分别代表真实样本F和生成样本G的均值和协方差矩阵;
步骤2-2:图像筛选器指标设定:第一类指标和第二类指标比重的比值设定为为4:6;第一类中图像均值、图像方差、等效视数三种指标比重的比值为1:1:1;第二类中IS:FID=4:6;
步骤2-3:设定筛选目标值,采用图像筛选器对步骤1中由GAN生成的新SAR图像样本进行筛选,将满足筛选目标值的新SAR图像样本加入原始SAR图像数据集,对原始SAR图像数据集进行扩充。
进一步地,所述步骤3的具体步骤为:
步骤3-1:构建基于CNN的SAR图像分类模型;
所述基于CNN的SAR图像分类模型共有7层,接受输入图像大小为64×64=4096的三通道RGB图像,输出对应10个类别的得分;
具体结构如表3所示:
表3基于CNN的SAR图像分类模型结构
步骤3-2:使用步骤3-1构建的基于CNN的SAR图像分类模型对扩充后的SAR图像数据集进行目标识别。
具体实施例:
(1)本实验采用的OpenSARShip数据集是由上海交通大学主办的OpenSAR数据开放共享平台中海上目标的部分数据集,使用TerraSAR-X(其视距为30km、视幅为100km,分辨率为3m)成像。已经提供100幅左右5000*5000大小的测试图,已专家分类样本4000余个。数据集中每张图像都有四种格式:原始数据、校准数据、伪彩色的可视化数据及灰度数据,且以像素坐标命名。图像分为干涉宽幅模式(TOPS Mode)的斜距单视复数产品(SLC)和地距多视产品(GRDH),其中每一类又有VV和VH两种极化方式的图像,综合有效图片的数量、质量和其它一些因素,本实施例从数据集中挑选出来干涉宽幅模式地距多视产品图像中以VH极化方式成像的图片,组成原始数据集。样本数据的详细信息如表4所示,通过预处理将图片尺寸调整到64×64。
表4 OpenSARShip数据集
从表中可以直观的看到在OpenSARShip数据集中,有一类样本(Cargo)极其丰富,是其它样本较小类别(如:Passenger、Search)的上百倍,很明显的数据集分布不均匀。若直接使用这样的数据集进行目标识别就会导致:尽管最后的分类准确度较高,但是实际上在这种情况下,该分类器是无效的,分类器即使将所有的样本都分类为样本数量最多的那一类,最后的准确率也会很高,准确率指标失去参考价值。如图3所示,即使调整一些网络参数,仍然不会得到收敛结果。
(2)对DCGAN、LSGAN和WGAN-GP三种网络的各种参数进行了多次调试之后,使其能够成功生成“伪”图片。每种网络具体的网络参数分别如表5-表7所示:
表5:DCGAN网络参数设置
表6:LSGAN网络参数设置
表7:WGAN-GP网络参数设置
(3)为了对比证明生成对抗网络扩容SAR图像舰船目标数据集的可行性和实用性,,卷积神经网络分别对使用传统方式扩容的数据集和采用以上三种GAN扩容的数据集进行目标识别。
本实施例使用的传统方式主要是:(1)图像的几何变换方法,包括翻转、旋转、剪裁、变形、缩放等操作,将这些操作随机组合,生成新图像,扩容并平衡数据集。
为了使扩容完善后的数据集既满足数量上的要求,又方便对比分析结果,本实施例设定完善后的数据集满足每一类有1000个样本(重采样则使其相当于有1000个样本),并按训练集和测试集为4:1的比例随机分配数据,共可以得到五种不同方式扩容完善的数据集,分别为:几何变换扩容、SMOTE重采样、DCGAN扩容、LSGAN扩容和WGAN-GP扩容。扩容结果如图4和图5所示。
使用CNN对以上数据集进行目标识别,其识别结果如图6所示。观察CNN识别的结果不难发现,即使是使用传统的数据集扩容方式,数据集不均衡导致准确率失效的问题也在一定程度上得到了改善,识别的准确率变得随着迭代次数的增加而逐渐提高,符合CNN学习的特性。此外,对比传统方法和GAN方法,GAN扩容的数据集识别的准确率在都在89%左右,而传统的则只有60%,而且在loss方面,GAN也远低于传统方法,GAN曲线的稳定性也普遍优于传统,其中WGAN-GP模型生成的数据集实验结果的稳定性和准确率最高。
上述结果能够说明使用GAN来进行数据集扩容是完全可行的,且其扩容完善数据集的效果大幅度优于传统方式。
Claims (3)
1.一种小样本SAR图像目标识别方法,其特征在于,包括以下步骤:
步骤1:构建生成对抗网络GAN的生成器和对抗器,利用原始SAR图像数据集生成新SAR图像样本;
步骤2:构建生成图像筛选器,通过设定筛选指标,从步骤1生成的新SAR图像样本中筛选出符合要求的SAR图像样本,扩充原始SAR图像数据集;
步骤2-1:设定筛选指标;
步骤2-1-1:第一类衡量SAR图像辐射性能的三种指标:
1、图像均值:指整个图像的平均灰度,反映图像的实际测量值中所包含的平均后向散射特性;如式(2)表示:
其中,Iij为图像中每个像素的灰度值,M、N为图像的尺寸;
2、图像方差:图像方差反映图像的不均匀性;如式(3)表示:
其中,σI为图像的标准差;
3、等效视数:等效视数是衡量一幅SAR图像斑点噪声相对强度的指标,度量图像对不同后向散射特征区域的识别能力;等效视数越大,表明图像上的斑点噪声越弱,反之,等效视数越小,表明图像上的斑点噪声越强;如式(5)表示:
步骤2-1-2:第二类是衡量GAN生成图像的评价指标;
1、IS:考量图像的清晰度和多样性;
其中DKL表示p(y|x)对于p(y)的KL散度,p(y|x)表示生成图像属于各个类别的条件概率,p(y)表示生成图像全体在所有类别上的边缘概率,y表示所有类别,pg表示生成图像服从的分布;
2、FID:FID距离是在特征空间中真实样本和生成样本之间的距离;具体公式如下:
d2(F,G)=|μx-μy|2+tr[∑x+∑y-2(∑x∑y)2] (7)
其中μx、μy和Σx、Σy分别代表真实样本F和生成样本G的均值和协方差矩阵;
步骤2-2:图像筛选器指标设定:第一类指标和第二类指标比重的比值设定为为4:6;第一类中图像均值、图像方差、等效视数三种指标比重的比值为1:1:1;第二类中IS:FID=4:6;
步骤2-3:设定筛选目标值,采用图像筛选器对步骤1中由GAN生成的新SAR图像样本进行筛选,将满足筛选目标值的新SAR图像样本加入原始SAR图像数据集,对原始SAR图像数据集进行扩充;
步骤3:使用基于CNN的SAR图像分类模型对扩充后的SAR图像数据集进行目标识别。
2.根据权利要求1所述的一种小样本SAR图像目标识别方法,其特征在于,所述步骤1的具体步骤为:
步骤1-1:构建判别器D,判断一个未知样本是来自于真实数据x还是由生成器G产生的G(z),z表示噪声序列;判别器D的结构如表1:
表1 GAN的判别器D结构
判别器D的损失函数如式(1)所示:
其中,E表示期望,x表示真实样本,z表示噪声,D(x)为判别器将真实样本输入判为真实样本的概率,D(G(z))为判别器将生成样本输入判为真实样本的概率;Pr(x)表示真实样本服从的分布,Pz(Z)表示噪声z服从的分布;
步骤1-2:构建生成器G,通过噪声序列z生成服从真实数据分布Pr(x)的样本G(z),使判别器D无法区分样本来源;生成器G的结构如表2:
表2 GAN的生成器G结构
生成器G的损失函数如下:
步骤1-3:判别器D和生成器G不断地周期性交替训练,直至达到收敛;此时生成器G所生成的图像使判别器D无法判断样本来源是真实数据还是生成数据;
步骤1-4:由训练完成的GAN生成新SAR图像样本。
3.根据权利要求2所述的一种小样本SAR图像目标识别方法,其特征在于,所述步骤3的具体步骤为:
步骤3-1:构建基于CNN的SAR图像分类模型;
所述基于CNN的SAR图像分类模型共有7层,接受输入图像大小为64×64=4096的三通道RGB图像,输出对应10个类别的得分;
具体结构如表3所示:
表3基于CNN的SAR图像分类模型结构
步骤3-2:使用步骤3-1构建的基于CNN的SAR图像分类模型对扩充后的SAR图像数据集进行目标识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110622757.4A CN113298007B (zh) | 2021-06-04 | 2021-06-04 | 一种小样本sar图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110622757.4A CN113298007B (zh) | 2021-06-04 | 2021-06-04 | 一种小样本sar图像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298007A CN113298007A (zh) | 2021-08-24 |
CN113298007B true CN113298007B (zh) | 2024-05-03 |
Family
ID=77327108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110622757.4A Active CN113298007B (zh) | 2021-06-04 | 2021-06-04 | 一种小样本sar图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298007B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997238B (zh) * | 2022-06-24 | 2023-04-07 | 西北工业大学 | 一种基于分布矫正的sar目标识别方法及装置 |
CN117036753A (zh) * | 2023-07-18 | 2023-11-10 | 北京观微科技有限公司 | 一种基于模板匹配和InfoGAN的SAR图像扩容方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011084643A1 (en) * | 2009-12-16 | 2011-07-14 | The Board Of Trustees Of The Leland Stanford Junior University | Profiling of cell populations |
WO2017210462A1 (en) * | 2016-06-01 | 2017-12-07 | Ohio State Innovation Foundation | System and method for recognition and annotation of facial expressions |
WO2018018038A1 (en) * | 2016-07-22 | 2018-01-25 | The Regents Of The University Of California | System and method for small molecule accurate recognition technology ("smart") |
CN111027439A (zh) * | 2019-12-03 | 2020-04-17 | 西北工业大学 | 基于辅助分类生成对抗网络的sar目标识别方法 |
CN111767861A (zh) * | 2020-06-30 | 2020-10-13 | 苏州兴钊防务研究院有限公司 | 一种基于多判别器生成对抗网络的sar图像目标识别方法 |
CN112446436A (zh) * | 2020-12-11 | 2021-03-05 | 浙江大学 | 基于生成对抗网络的抗模糊无人驾驶车辆多目标跟踪方法 |
-
2021
- 2021-06-04 CN CN202110622757.4A patent/CN113298007B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011084643A1 (en) * | 2009-12-16 | 2011-07-14 | The Board Of Trustees Of The Leland Stanford Junior University | Profiling of cell populations |
WO2017210462A1 (en) * | 2016-06-01 | 2017-12-07 | Ohio State Innovation Foundation | System and method for recognition and annotation of facial expressions |
WO2018018038A1 (en) * | 2016-07-22 | 2018-01-25 | The Regents Of The University Of California | System and method for small molecule accurate recognition technology ("smart") |
CN111027439A (zh) * | 2019-12-03 | 2020-04-17 | 西北工业大学 | 基于辅助分类生成对抗网络的sar目标识别方法 |
CN111767861A (zh) * | 2020-06-30 | 2020-10-13 | 苏州兴钊防务研究院有限公司 | 一种基于多判别器生成对抗网络的sar图像目标识别方法 |
CN112446436A (zh) * | 2020-12-11 | 2021-03-05 | 浙江大学 | 基于生成对抗网络的抗模糊无人驾驶车辆多目标跟踪方法 |
Non-Patent Citations (5)
Title |
---|
HRRP自动目标识别方法综述;韩磊;姚璐;;北京理工大学学报(04);全文 * |
一种基于深度残差网络的车型识别方法;刘敦强;沈峘;夏瀚笙;王莹;贾燕晨;;计算机技术与发展(05);全文 * |
两向二维NMSD及其在SAR图像识别中的应用;刘振;姜晖;秦立龙;;电子信息对抗技术(05);全文 * |
两向二维最大子类散度差鉴别分析及其在SAR目标识别中的应用;胡利平;刘宏伟;尹奎英;吴顺君;;航空学报(12);全文 * |
基于深度学习的雷达图像目标识别研究进展;潘宗序;安全智;张冰尘;;中国科学:信息科学(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113298007A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN112700429B (zh) | 基于深度学习的机场道面地下结构病害自动检测方法 | |
CN109061600B (zh) | 一种基于毫米波雷达数据的目标识别方法 | |
CN109284704A (zh) | 基于cnn的复杂背景sar车辆目标检测方法 | |
CN108009509A (zh) | 车辆目标检测方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN108550133A (zh) | 一种基于Faster R-CNN的癌细胞检测方法 | |
CN113298007B (zh) | 一种小样本sar图像目标识别方法 | |
CN109766835A (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
CN110472658A (zh) | 一种动目标多源探测的层次融合与提取方法 | |
CN112699717A (zh) | 基于gan网络的sar图像生成方法及生成装置 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN109191434A (zh) | 一种细胞分化中的图像检测系统及检测方法 | |
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 | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN112348758B (zh) | 一种光学遥感图像数据增强方法及目标识别方法 | |
CN109344845A (zh) | 一种基于Triplet深度神经网络结构的特征匹配方法 | |
CN104751463B (zh) | 一种基于草图轮廓特征的三维模型最佳视角选取方法 | |
CN110363218A (zh) | 一种胚胎无创评估方法及装置 | |
CN103279944A (zh) | 一种基于生物地理优化的图像分割方法 | |
Ge et al. | Azimuth-Sensitive Object Detection in Sar Images Using Improved Yolo V5 Model | |
CN116863327B (zh) | 一种基于双域分类器协同对抗的跨域小样本分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |