CN115345322B - 一种基于层级化元迁移的小样本雷达目标识别方法 - Google Patents

一种基于层级化元迁移的小样本雷达目标识别方法 Download PDF

Info

Publication number
CN115345322B
CN115345322B CN202211276348.4A CN202211276348A CN115345322B CN 115345322 B CN115345322 B CN 115345322B CN 202211276348 A CN202211276348 A CN 202211276348A CN 115345322 B CN115345322 B CN 115345322B
Authority
CN
China
Prior art keywords
sample
class
samples
meta
task
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
Application number
CN202211276348.4A
Other languages
English (en)
Other versions
CN115345322A (zh
Inventor
郭贤生
张玉坤
李林
司皓楠
钱博诚
钟科
黄健
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.)
Yangtze River Delta Research Institute of UESTC Huzhou
Original Assignee
Yangtze River Delta Research Institute of UESTC Huzhou
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 Yangtze River Delta Research Institute of UESTC Huzhou filed Critical Yangtze River Delta Research Institute of UESTC Huzhou
Priority to CN202211276348.4A priority Critical patent/CN115345322B/zh
Publication of CN115345322A publication Critical patent/CN115345322A/zh
Priority to PCT/CN2022/133980 priority patent/WO2024082374A1/zh
Application granted granted Critical
Publication of CN115345322B publication Critical patent/CN115345322B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于目标识别技术领域，具体的说是涉及一种基于小样本的层级化元迁移雷达目标识别方法。本发明基于注意力机制提取特征，在特征级、样本级、和任务级上的层级化深度知识迁移，以寻求一个嵌入空间使得样本接近同类目标的类别原子，远离于其他类目标的类别原子。其中，在特征级设计了基于注意力机制的特征编码器，充分挖掘样本全局性的域不变特征，以克服样本在数据分布上的域差异问题；在样本级设计原子编码器，生成更加稳定的类别原子，以避免离群样本的影响；在任务级，设计元学习器累积训练任务的学习经验迁移至新任务，培养模型跨任务知识迁移的能力，实现元迁移目标识别。本发明的目标识别方法是一种智能的目标识别方法。

Description

一种基于层级化元迁移的小样本雷达目标识别方法
技术领域
本发明属于雷达目标识别技术领域，具体的说是涉及一种基于层级化元迁移的小样本雷达目标识别方法。
背景技术
雷达目标识别技术是指利用雷达对目标进行探测，通过分析所捕获信息确定目标的种类、型号等属性的技术，在地形勘探及战场侦察等领域展现出很好的应用潜力。随着人工智能技术的发展，深度学习方法因其自动且强大的特征提取能力而受到研究者的广泛关注，推动了智能化雷达目标识别技术的产生与进步。然而，深度学习的模型训练往往依赖于大量的标记样本。受时效性约束和资源限制，获取大量的标记样本耗费巨大的人力、物力及时间成本。因此，在小样本场景下利用元学习进行知识共享，从而提升目标识别性能，是当前雷达目标识别技术领域的研究热点之一。
文献“Guo J, Wang L, Zhu D, et al. SAR Target Recognition With LimitedSamples Based on Meta Knowledge Transferring Using Relation Network[C]//2020International Symposium on Antennas and Propagation (ISAP). IEEE, 2021: 377-378”提出一种基于对比学习的小样本雷达目标识别方法，通过构建神经网络来计算两个输入样本之间的距离来分析匹配程度，从而判断其是否属于同一类。在对未标记样本进行分类时，以距离最近的标记样本的标签作为预测标签。但是，这种方法需要将待测样本与每一个标记样本进行对比，计算繁琐且复杂度较高。为解决上述问题，文献“Cai J, Zhang Y,Guo J, et al. ST-PN: A Spatial Transformed Prototypical Network for Few-ShotSAR Image Classification[J]. Remote Sensing, 2022, 14(9): 2019”提出一种基于类别原子的小样本雷达目标识别方法，将每类标记样本的特征取平均作为类别原子，在对未标记样本分类时，只需将其特征和类别原子进行对比，从而降低计算复杂度，但该方法没有对样本特征和目标特征进行深度探索，生成的类别原子在小样本场景下很容易受离群样本的影响，存在质量差，稳健性差的问题，进而影响目标识别性能。同时，考虑到这些元学习方法只是寻求样本的相似度关系，在面对和训练任务不同的新任务时，模型无法优化实现知识的跨任务迁移。因此，研究基于层级化元迁移的小样本目标识别方法有望进一步提升目标识别性能。
发明内容
本发明的目的是，为克服上述不足，提供一种基于层级化元迁移的小样本雷达目标识别方法。本发明基于注意力机制提取特征，在特征级、样本级、和任务级上的层级化深度知识迁移，以寻求一个嵌入空间使得样本接近同类目标的类别原子，远离于其他类目标的类别原子。其中，在特征级设计了基于注意力机制的特征编码器，充分挖掘样本全局性的域不变特征，以克服样本在数据分布上的域差异问题；在样本级设计原子编码器，生成更加稳定的类别原子，以避免离群样本的影响；在任务级，设计元学习器累积训练任务的学习经验迁移至新任务，培养模型跨任务知识迁移的能力，实现元迁移目标识别。因此本发明提出的基于层级化元迁移的小样本雷达目标识别方法是一种智能的目标识别方法。
本发明的技术方案是：
一种基于层级化元迁移的小样本雷达目标识别方法，包括以下步骤：
S1、通过雷达获取各目标静态时在源域和目标域的原始图像，将对目标在不同方位角下进行观测得到的图像进行切割处理后得到样本；
S2、利用样本构建训练任务
Figure 7916DEST_PATH_IMAGE001
，其中P是任务总数，任务
Figure 190635DEST_PATH_IMAGE002
包括支撑集和查询 集，其中支撑集是从源域中抽取标记样本构成，查询集是从目标域中抽取标记样本构成；
S3、通过层级化元迁移模型进行训练学习，对元学习器
Figure 14165DEST_PATH_IMAGE003
进行更 新，具体为：
S31、在特征级构建基于注意力机制的特征编码器
Figure 612637DEST_PATH_IMAGE004
，利用元学习器对特征编码器 进行初始化
Figure 692588DEST_PATH_IMAGE005
后，提取
Figure 718313DEST_PATH_IMAGE002
中支撑集和查询集的深度全局性特征；
S32、在样本级构建基于注意力机制的类别原子编码器
Figure 250926DEST_PATH_IMAGE006
，利用元学习器对类别 原子编码器进行初始化
Figure 918667DEST_PATH_IMAGE007
后，基于获得的
Figure 40076DEST_PATH_IMAGE002
支撑集样本的深度全局性特征计算
Figure 299019DEST_PATH_IMAGE002
的类别原子，根据支撑集样本和不同类别原子的距离获得对应样本归属于不同类的概率， 再根据概率设计并最小化类别原子损失函数，以此更新类别原子编码器和类别原子；
S33、在任务级累计当前训练任务的学习经验，更新元学习器：
根据
Figure 256611DEST_PATH_IMAGE002
查询集样本的深度全局性特征和不同类别原子的距离，获得对应样本归属 于不同类的概率，根据概率设计元学习器损失函数，最小化该损失函数对元学习器进行更 新，获得更新后的元学习器
Figure 259202DEST_PATH_IMAGE008
；
S4、通过重复步骤S3完成所有训练任务，获得所有元训练任务训练出的元学习器， 记训练出的元学习器为
Figure 985849DEST_PATH_IMAGE009
；
S5、记待测任务的标记样本为支撑集，未标记的待测样本为查询集；利用S4获得的 元学习器进行初始化
Figure 681273DEST_PATH_IMAGE010
得到目标识别用特征编码器和类别原子编码器，利 用目标识别用特征编码对支撑集和查询集样本提取深度全局性特征；利用目标识别用类别 原子编码器基于支撑集深度全局性特征计算并更新类别原子，利用距离函数
Figure 126161DEST_PATH_IMAGE011
计算查 询集中待测样本的深度全局性特征和不同类别原子的距离，选取距离最近的类别原子的标 签作为待测样本的预测标签，得到识别结果。
进一步的，步骤S2中，所述支撑集是通过K way N shot形式在源域中抽取标记样 本构成，定义为
Figure 666863DEST_PATH_IMAGE012
，K way N shot指的是对K类目标每个类别随机抽取N个标记训 练样本，
Figure 264329DEST_PATH_IMAGE013
是第k类目标的第n个样本；查询集是通过K way N shot的形式在目标域抽取标 记样本构成，定义为
Figure 865075DEST_PATH_IMAGE014
，其中，
Figure 797259DEST_PATH_IMAGE015
是第k类目标的第m个样本；支撑集和查询集中 的样本是相同类别目标在不同域中的样本，定义对应的类别标签为
Figure 141652DEST_PATH_IMAGE016
，其中，
Figure 842892DEST_PATH_IMAGE017
。
进一步的，步骤S31中，所述特征编码器
Figure 83381DEST_PATH_IMAGE004
包括一个神经网络模块和注意力机制模 块，提取深度全局性特征的具体方式为：
通过神经网络模块对样本提取泛化特征；
将泛化特征分块并拉直成向量，每个向量的维度是
Figure 34019DEST_PATH_IMAGE018
，记为
Figure 634634DEST_PATH_IMAGE019
，其中，R是分块的个数，添加一个同维度的可学习向量
Figure 252697DEST_PATH_IMAGE020
代表整个样本的全局特征，记嵌入可学习 信息后的特征为
Figure 398507DEST_PATH_IMAGE021
，
Figure 836442DEST_PATH_IMAGE022
；
将特征
Figure 725900DEST_PATH_IMAGE023
分别进行变换处理降维到不同的
Figure 464049DEST_PATH_IMAGE024
维嵌入子空间：
Figure 780761DEST_PATH_IMAGE025
Figure 971571DEST_PATH_IMAGE026
Figure 149874DEST_PATH_IMAGE027
其中，
Figure 476950DEST_PATH_IMAGE028
是不同的变换矩阵，
Figure 964563DEST_PATH_IMAGE029
是不同嵌入子空间中的变换特征， 利用注意力机制处理获得全局性特征
Figure 642669DEST_PATH_IMAGE030
；
将全局性特征经过线性映射
Figure 873930DEST_PATH_IMAGE031
变回
Figure 321092DEST_PATH_IMAGE018
维，采用残差结构和特征
Figure 714027DEST_PATH_IMAGE023
进行结合得 到
Figure 879429DEST_PATH_IMAGE032
；
通过全连接层将特征
Figure 163649DEST_PATH_IMAGE023
先映射到高维空间，记高维空间的维数为
Figure 465317DEST_PATH_IMAGE033
维，再映射回
Figure 29154DEST_PATH_IMAGE018
维的低维空间，得到深层特征
Figure 885114DEST_PATH_IMAGE034
，与特征
Figure 520495DEST_PATH_IMAGE035
采用残差结构进行结合得到深度 全局性特征
Figure 614353DEST_PATH_IMAGE036
，
Figure 676987DEST_PATH_IMAGE037
，将可学习向量
Figure 239818DEST_PATH_IMAGE038
取出作为对 应样本的深度全局性特征
Figure 882152DEST_PATH_IMAGE039
；
对于任务
Figure 892833DEST_PATH_IMAGE002
，利用特征编码器
Figure 329630DEST_PATH_IMAGE004
对任务
Figure 425762DEST_PATH_IMAGE002
的支撑集和查询集进行特征编码得到：
Figure 606208DEST_PATH_IMAGE040
，
Figure 471396DEST_PATH_IMAGE041
，其中，
Figure 875832DEST_PATH_IMAGE042
，
Figure 911790DEST_PATH_IMAGE043
分 别是任务
Figure 427085DEST_PATH_IMAGE002
支撑集和查询集的深度全局性特征，并且
Figure 615621DEST_PATH_IMAGE044
。
进一步的，步骤S32中，所述更新类别原子编码器和类别原子的具体方法为：
利用S31中提取的支撑集深度全局性特征
Figure 190959DEST_PATH_IMAGE045
，将
Figure 464946DEST_PATH_IMAGE045
分别进行变换处理降维到不 同的
Figure 783931DEST_PATH_IMAGE024
维嵌入子空间：
Figure 826974DEST_PATH_IMAGE046
Figure 573213DEST_PATH_IMAGE047
其中，
Figure 819649DEST_PATH_IMAGE048
和
Figure 942326DEST_PATH_IMAGE049
是不同的变换矩阵，
Figure 839874DEST_PATH_IMAGE050
和
Figure 757015DEST_PATH_IMAGE051
是不同嵌入子空间中的变换特征，利 用注意力机制得到样本级全局性特征
Figure 5594DEST_PATH_IMAGE052
；
将样本级全局性特征经过线性映射
Figure 666382DEST_PATH_IMAGE031
变回
Figure 418437DEST_PATH_IMAGE018
维，采用残差结构和深度全局性 特征进行结合得到
Figure 772058DEST_PATH_IMAGE053
；
通过全连接层先将特征
Figure 491622DEST_PATH_IMAGE054
映射到
Figure 956101DEST_PATH_IMAGE033
维的高维空间，再映射回
Figure 562663DEST_PATH_IMAGE018
维的低维空间，得 到深层特征
Figure 87185DEST_PATH_IMAGE055
，与特征
Figure 44777DEST_PATH_IMAGE056
采用残差结构进行结合得到样本级深度全局性特征
Figure 47368DEST_PATH_IMAGE057
，
Figure 774015DEST_PATH_IMAGE058
；
对样本级深度全局特征取平均，得到样本级类别原子
Figure 469439DEST_PATH_IMAGE059
：
Figure 399480DEST_PATH_IMAGE060
利用类别原子编码器基于得到的支撑集样本的深度全局性特征计算任务
Figure 205762DEST_PATH_IMAGE002
中所 有的类别原子并表示为
Figure 52495DEST_PATH_IMAGE061
，其中
Figure 653241DEST_PATH_IMAGE062
；
根据获得的任务
Figure 585425DEST_PATH_IMAGE063
支撑集样本的深度全局性特征和获得的不同类别原子的距离， 获得样本
Figure 929818DEST_PATH_IMAGE064
被判定为类别k的概率为：
Figure 631058DEST_PATH_IMAGE065
其中，
Figure 855235DEST_PATH_IMAGE066
是距离函数；
根据概率设计并最小化类别原子损失函数：
Figure 337032DEST_PATH_IMAGE067
对类别原子编码器进行更新，记更新后的模型为
Figure 422800DEST_PATH_IMAGE068
，更新后的类别原子为
Figure 40863DEST_PATH_IMAGE069
，其中，
Figure 186673DEST_PATH_IMAGE070
。
进一步的，步骤S33中，更新元学习器的具体方法为：
根据获得的任务
Figure 890187DEST_PATH_IMAGE063
查询集样本的深度全局性特征和获得的不同类别原子的距离， 获得样本
Figure 514066DEST_PATH_IMAGE071
被判定为类别k的概率为：
Figure 252215DEST_PATH_IMAGE072
根据概率设计元学习器损失函数：
Figure 319660DEST_PATH_IMAGE073
Figure 448153DEST_PATH_IMAGE074
Figure 938040DEST_PATH_IMAGE075
Figure 468378DEST_PATH_IMAGE076
其中，margin是设置的阈值，
Figure 18308DEST_PATH_IMAGE077
是平衡参数，通过最小化损失函数对元学习器进 行更新，获得更新后的元学习器
Figure 634097DEST_PATH_IMAGE078
。
本发明的有益效果是：本发明针对小样本目标识别场景，在特征级充分挖掘样本的全局特征，在样本级充分探索同类目标不同样本的稳健性特征，在任务级设计元学习器有效累积不同任务的学习经验。通过特征级、样本级和任务级的层级化学习，提升了特征信息的质量，降低离群样本的负面影响，培养了模型的自主学习能力，进而提高了小样本目标识别技术的鲁棒性。本发明提出的基于层级化元迁移的小样本雷达目标识别方法是一种智能的雷达目标识别方法。
附图说明
图1为本发明的算法流程图。
图2为背景技术方法和本发明方法的识别准确率对比图。
具体实施方式
下面结合附图及实施例，详细描述本发明的技术方案：
如图1所示，本发明设计了一种基于层级化元迁移的小样本雷达目标识别方法，包括特征级，样本级和任务级。针对每个元训练任务，在特征级，采用注意力机制构建特征编码器以提取单个样本中更重要的特征；在样本级，采用注意力机制构建原子编码器，通过整合同类目标不同样本的信息生成高质量的类别原子作为对应类别的代表性信息。在任务级，构建元学习器，通过累积不同元训练任务的学习经验，获得自主学习能力。在面对新的待测任务时，基于少量标记样本，进一步优化训练好的的元学习器，生成高质量的类别原子用于目标识别。将待测样本和类别原子进行对比，选取相似度最高的类别原子的类别作为测试样本的预测类别，完成对测试样本的识别。
实施例：
本例是基于本发明内容方法的实际应用方式，在实际应用中，在建立特征编码器和类别原子编码器的时候进行同步初始化以使其能更快的进行处理。
步骤1. 在源域和目标域中分别采集原始图像样本并进行预处理，初步筛除目标背景的冗余信息，为训练模型做准备。
由雷达获取各目标静态时的不同俯仰角下的原始图像，每个固定的俯仰角下，对该目标在不同的方位角下进行观测。将获取的图像根据俯仰角的不同记为源域和目标域，并对其进行切割预处理。
步骤2. 利用样本构建训练任务
Figure 662096DEST_PATH_IMAGE079
，每个任务包括支撑集和查询集，用以训练 具有自主学习能力的目标识别模型。
记一个K分类任务为
Figure 296209DEST_PATH_IMAGE002
，构建所有元训练任务并记为
Figure 17040DEST_PATH_IMAGE079
，其中，P是任务总数。针 对任务
Figure 120125DEST_PATH_IMAGE002
，以K way N shot形式在源域中抽取标记样本构成支撑集并记为
Figure 951815DEST_PATH_IMAGE080
，其 中，K way N shot指的是对K类目标每个类别随机抽取N个标记训练样本，
Figure 191167DEST_PATH_IMAGE013
是第k类目标 的第n个样本；以K way M shot的形式在目标域抽取标记样本构成查询集并记为
Figure 82899DEST_PATH_IMAGE081
，其中，
Figure 673281DEST_PATH_IMAGE015
是第k类目标的第m个样本。支撑集和查询集中的样本应是相同类别 目标在不同域中的样本，记对应的类别标签为
Figure 43082DEST_PATH_IMAGE016
，其中，
Figure 153252DEST_PATH_IMAGE017
。
步骤3、为从不同任务中累积学习经验，培养模型自主学习的能力，通过层级化元 迁移模型进行训练学习，对元学习器
Figure 215886DEST_PATH_IMAGE003
进行更新，层级化元迁移模型是由 特征级、样本级和任务级构成，具体为：
步骤31. 在特征级设计特征编码器
Figure 824721DEST_PATH_IMAGE082
对步骤2中获得的训练任务
Figure 467055DEST_PATH_IMAGE002
的支撑集和 查询集分别提取特征，以探索样本深层信息用于识别。
进一步地，所述步骤31的具体步骤为：
步骤31-1. 在特征级设计特征编码器
Figure 680999DEST_PATH_IMAGE004
，该特征编码器包含一个神经网络模块和 注意力机制模块，神经网络模块具备强大的特征提取能力，可挖掘样本的深层特征，注意力 机制模块则是为了使模型有选择地关注样本中的重要信息，提高模型信息处理的效率。利 用当前元学习器
Figure 914534DEST_PATH_IMAGE003
中的特征提取器
Figure 213929DEST_PATH_IMAGE083
对其进行初始化：
Figure 925533DEST_PATH_IMAGE005
；
步骤31-2. 采用神经网络模块和注意力机制提取样本的深度全局性特征，具体步骤如下：
步骤31-2-1. 利用卷积神经网络模块
Figure 508830DEST_PATH_IMAGE084
对支撑集样本
Figure 913266DEST_PATH_IMAGE013
提取泛化特征，为 了清楚的表示，将支撑集样本表示符号简写为
Figure 699956DEST_PATH_IMAGE085
，提取特征过程如下：
Figure 215251DEST_PATH_IMAGE086
（1）
步骤31-2-2. 将步骤31-2-1得到的样本泛化特征分块并拉直成向量，每个向量的 维度是
Figure 403787DEST_PATH_IMAGE018
，将所有向量记为
Figure 979125DEST_PATH_IMAGE019
，其中，R是分块的个数。为了有效整合分块特征 中信息，添加一个同维度的可学习向量
Figure 253112DEST_PATH_IMAGE020
代表整个样本的全局特征，记嵌入可学习信息的 特征为
Figure 572098DEST_PATH_IMAGE021
，
Figure 354154DEST_PATH_IMAGE022
；
步骤31-2-3. 为进一步筛除冗余信息，对步骤31-2-2得到的特征
Figure 100393DEST_PATH_IMAGE023
分别进行变换 处理降维到不同的
Figure 596096DEST_PATH_IMAGE024
维嵌入子空间：
Figure 718773DEST_PATH_IMAGE025
（2）
Figure 616322DEST_PATH_IMAGE026
（3）
Figure 267883DEST_PATH_IMAGE027
（4）
其中，
Figure 782041DEST_PATH_IMAGE028
是不同的变换矩阵，
Figure 177250DEST_PATH_IMAGE029
是不同嵌入子空间中的变换特征， 利用注意力机制处理获得全局性特征：
Figure 991622DEST_PATH_IMAGE030
（5）
步骤31-2-4. 为缓解梯度消失，对步骤31-2-3得到的全局性特征经过线性映射
Figure 532194DEST_PATH_IMAGE031
变回
Figure 64807DEST_PATH_IMAGE018
维，采用残差结构和步骤31-2-2得到的特征进行结合：
Figure 201390DEST_PATH_IMAGE032
（6）
步骤31-3. 由于高维空间的信息更加丰富，采用一层全连接网络将步骤31-2得到 的特征映射到高维空间，记高维空间的维度是
Figure 135848DEST_PATH_IMAGE033
维，再利用一层全连接网络映射回原来的 维度
Figure 598053DEST_PATH_IMAGE018
维，每层全连接层后面采用激活函数进行处理，以学习获得更加抽象的深层特征
Figure 352382DEST_PATH_IMAGE034
，增强信息的表达能力。为避免梯度消失问题，将其和步骤3-2得到的特征采用 残差结构进行结合得到深度全局性特征：
Figure 558236DEST_PATH_IMAGE036
（7）
其中，
Figure 347200DEST_PATH_IMAGE037
。将对应的可学习向量
Figure 465460DEST_PATH_IMAGE038
取出作为对应样本的深度 全局性特征
Figure 972665DEST_PATH_IMAGE039
；
步骤31-4. 对任务
Figure 513368DEST_PATH_IMAGE002
的支撑集和查询集进行特征编码：
Figure 94522DEST_PATH_IMAGE040
，
Figure 960847DEST_PATH_IMAGE041
，其中，
Figure 627451DEST_PATH_IMAGE042
，
Figure 237424DEST_PATH_IMAGE043
分别是任务
Figure 938664DEST_PATH_IMAGE002
支 撑集和查询集的深度全局性特征，并且
Figure 710311DEST_PATH_IMAGE044
。
步骤32. 在样本级设计基于注意力机制的类别原子编码器
Figure 379058DEST_PATH_IMAGE006
并在当前训练任务
Figure 527143DEST_PATH_IMAGE002
上更新，计算更新后的类别原子，从而提供可靠的代表性信息用于目标识别。
进一步地，所述步骤32的具体步骤为：
步骤32-1. 针对任务
Figure 82889DEST_PATH_IMAGE002
，在样本级设计类别原子编码器
Figure 25437DEST_PATH_IMAGE006
，并且利用当前元学习 器
Figure 463372DEST_PATH_IMAGE003
中的类别原子编码器
Figure 352831DEST_PATH_IMAGE087
对其进行初始化：
Figure 825400DEST_PATH_IMAGE007
；
步骤32-2. 利用步骤32-1获得的类别原子编码器
Figure 142112DEST_PATH_IMAGE006
对步骤31获得的支撑集样本 的深度全局性特征计算任务
Figure 332922DEST_PATH_IMAGE002
的类别原子，具体步骤如下：
步骤32-2-1. 为去除冗余信息，在不同嵌入子空间中探索样本的深层特征，对支 撑集样本深度全局特征
Figure 511225DEST_PATH_IMAGE088
分别进行变换处理降维至
Figure 103880DEST_PATH_IMAGE024
维：
Figure 591493DEST_PATH_IMAGE046
（8）
Figure 4020DEST_PATH_IMAGE047
（9）
其中，
Figure 235281DEST_PATH_IMAGE089
是不同的变换矩阵，
Figure 682443DEST_PATH_IMAGE090
是不同嵌入子空间中的变换特征，利用 注意力机制探索样本级全局性特征：
Figure 340958DEST_PATH_IMAGE052
（10）
步骤32-2-2. 为缓解梯度消失，对步骤32-2-1得到的样本级全局性特征经过线性 映射
Figure 506360DEST_PATH_IMAGE031
变回
Figure 525000DEST_PATH_IMAGE018
维，采用残差结构和步骤31得到的支撑集深度全局性特征进行结合：
Figure 561089DEST_PATH_IMAGE053
（11）
步骤32-2-3. 由于高维空间的信息更加丰富，采用一层全连接网络将步骤32-2-2 得到的特征映射到
Figure 452822DEST_PATH_IMAGE033
维的高维空间，再利用一层全连接网络映射回原来的维度
Figure 777624DEST_PATH_IMAGE018
维，每层 全连接层后面采用激活函数进行处理，以学习获得更加抽象的深层特征
Figure 413005DEST_PATH_IMAGE055
，增 强信息的表达能力。为避免梯度消失问题，将其和步骤32-2-2得到的特征采用残差结构进 行结合得到样本级深度全局性特征：
Figure 772442DEST_PATH_IMAGE057
（12）
其中，
Figure 835076DEST_PATH_IMAGE058
；
步骤32-2-4. 对步骤32-2-3得到的样本级深度全局特征取平均，得到样本级注意 力机制探索后的类别原子
Figure 647174DEST_PATH_IMAGE059
：
Figure 820666DEST_PATH_IMAGE060
（13）
步骤32-2-5. 计算任务
Figure 785342DEST_PATH_IMAGE002
中所有的类别原子并表示为
Figure 18878DEST_PATH_IMAGE091
， 其中
Figure 318272DEST_PATH_IMAGE092
，对应步骤32-2-1至步骤32-2-4的处理流程。
步骤32-3. 计算步骤31获得的任务
Figure 295455DEST_PATH_IMAGE002
支撑集样本的深度全局性特征和步骤32-2 获得的不同类别原子的距离，进一步获得样本
Figure 426222DEST_PATH_IMAGE093
被判定为类别k的概率为：
Figure 33921DEST_PATH_IMAGE094
（14）
其中，
Figure 555032DEST_PATH_IMAGE011
是距离函数。
步骤32-4. 根据概率设计并最小化类别原子损失函数，以此更新类别原子编码器和类别原子，具体步骤为：
步骤32-4-1. 设计如下损失函数，使得样本
Figure 335907DEST_PATH_IMAGE093
被判定为类别k的概率尽可能的 大，以获取具有识别能力的模型。最小化该损失函数，对类别原子编码器进行更新：
Figure 773710DEST_PATH_IMAGE095
（15）
步骤32-4-2. 记更新后的模型为
Figure 349048DEST_PATH_IMAGE096
，更新后的类别原子为
Figure 357455DEST_PATH_IMAGE097
，其中，
Figure 676441DEST_PATH_IMAGE098
。
步骤33. 在任务级累积当前训练任务的学习经验，更新元学习器为
Figure 719483DEST_PATH_IMAGE008
，以使元学习器具备自主学习能力来应对新的目标识别任务，进一步地，所 述步骤33的具体步骤为：
步骤33-1. 计算步骤31获得的任务
Figure 200143DEST_PATH_IMAGE002
查询集样本的深度全局性特征和步骤32获 得的不同类别原子的距离，进一步获得样本
Figure 23743DEST_PATH_IMAGE099
被判定为类别k的概率为：
Figure 818523DEST_PATH_IMAGE100
（16）
其中，
Figure 997963DEST_PATH_IMAGE011
是距离函数；
步骤33-2. 根据概率设计元学习器损失函数，最小化该损失函数对元学习器进行 更新，获得
Figure 915104DEST_PATH_IMAGE008
，具体步骤为：
步骤33-2-1. 根据步骤33-1获得的分类概率设计元学习器分类损失函数：
Figure 898103DEST_PATH_IMAGE101
（17）
步骤33-2-2. 为了提高样本的可分性，提升模型的识别性能，模型训练还采用对比损失作为损失函数，定义如下：
Figure 293312DEST_PATH_IMAGE102
（18）
其中，
Figure 373264DEST_PATH_IMAGE103
（19）
其中，margin是设置的阈值。该约束可以减小样本特征
Figure 664568DEST_PATH_IMAGE099
与对应类别原子
Figure 134863DEST_PATH_IMAGE104
之间 的距离，增大与其他类别原子
Figure 599343DEST_PATH_IMAGE105
之间的距离并使其尽可能的大于所设置的阈值；
步骤33-2-3. 将步骤33-2-1和步骤33-2-2的损失函数结合获得总的元学习器损失函数为：
Figure 720751DEST_PATH_IMAGE106
（20）
其中，
Figure 979694DEST_PATH_IMAGE107
是平衡参数。最小化元学习器损失函数对元学习器进行更新，获得在任 务
Figure 937286DEST_PATH_IMAGE002
上更新后的元学习器
Figure 205456DEST_PATH_IMAGE008
，从而累积在任务
Figure 932104DEST_PATH_IMAGE002
的学习经验。
步骤4. 更新
Figure 361948DEST_PATH_IMAGE108
，重复步骤3直至完成所有训练任务上完成多次训练，获得所 有元训练任务训练出的元学习器
Figure 806836DEST_PATH_IMAGE009
。
步骤5. 记待测任务的标记样本为支撑集，未标记的待测样本为查询集。利用步骤 4获得的元学习器
Figure 613118DEST_PATH_IMAGE009
对待测样本进行识别，进一步地，所述步骤5的具体步骤 为：
步骤5-1. 基于在训练任务上累积的学习经验处理待测任务，根据步骤31对待测 任务模型进行初始化
Figure 945005DEST_PATH_IMAGE109
，并对支撑集和查询集样本提取深度全局性特征。
步骤5-2. 根据步骤32对待测任务模型进行初始化
Figure 811329DEST_PATH_IMAGE110
，利用支撑集计算并更 新类别原子；
步骤5-3. 利用距离函数
Figure 477934DEST_PATH_IMAGE011
计算查询集待测样本的深度全局性特征和不同类 别原子的距离，选取距离最近的类别原子的标签作为待测样本的预测标签，得到识别结果。
仿真示例：
采用实施例模型对运动和静止目标获取与识别MSTAR数据集进行实验，该数据集的传感器采用的是高分辨率的聚束式合成孔径雷达，采用HH极化方式，在X波段工作，分辨率为0.3m×0.3m。该数据大多是静止车辆的SAR切片图像，共包含十类目标，分别是BMP2、T72、BTR70、2S1、BRDM2、BTR60、D7、T62、ZIL131、ZSU234和T72，取其中的7类目标构成元训练任务，剩余的3类目标构建待测任务。以俯仰角17°观测的样本数据为源域样本，俯仰角15°观测的样本数据为目标域样本，实验中的具体样本数目如表1所示。
表 1 实验数据具体数目
Figure 87907DEST_PATH_IMAGE111
为去除背景杂波的影响，将样本图像大小以中心切割为64×64。本案例采用的3分 类任务，即每个元训练任务和待测任务均包含三类目标。对于元训练任务，随机选取7类目 标中的3类组成元训练任务，针对小样本目标识别，以3way 5shot的形式随机在源域抽取样 本构成任务的支撑集，也就是在源域中对该任务的3类目标每类随机抽取5个样本；以3 way 15 shot 的形式在目标域随机抽取样本构成的查询集，也就是对该任务的3类目标每类随 机抽取15个样本。对于元训练任务，支撑集和查询集中的样本都是标记样本。以类似的方式 对待测目标类别随机抽取样本构成待测任务，其中支撑集来自源域，为俯仰角17°观测的标 记样本，查询集来自目标域，为俯仰角15°观测的待测样本。另外，本案例还仿真了不同噪声 环境下的目标域样本，对待测任务中查询集的待测样本随机选取一定百分比的像素，并通 过用独立的服从均匀分布的样本替换其像素点的强度来破坏像素，添加的随机噪声服从
Figure 523568DEST_PATH_IMAGE112
的均匀分布，其中，
Figure 560794DEST_PATH_IMAGE113
是图像中像素点中的最大值。选取的像素比例分别为0%， 5%和15%，分别代表不同噪声环境下的目标域，其中，0%表示原有数据集中的俯仰角15°观测 样本构建的待测样本。
本发明针对小样本目标识别设计了不同噪声环境下的实验来验证提出算法的优 越性，分别对比了背景技术方法和本发明方法对待测任务的识别结果。实验中特征编码器 的神经网络模块由四层卷积层组成，每层卷积层后均采用最大池化运算来缩减模型的大 小，提高计算速度，表2展示了每层卷积层及池化运算的详细参数，包括卷积核的尺寸，卷积 时的步长，填充的尺寸以及池化窗的尺寸。此外，实验中其他参数具体设置为：
Figure 714695DEST_PATH_IMAGE114
，
Figure 315309DEST_PATH_IMAGE115
， 以及margin =200。采用200个元训练任务进行 训练，采用1000个待测任务的平均识别率为算法性能的量化指标。随着目标域噪声水平的 增大，背景技术方法均产生了不同程度的明显下降，其中，背景技术方法1在0%和15%的噪声 环境下的识别准确率分别为77.43%和71.66%，背景技术方法的识别准确率为71.67%和 68.1%，而本发明方法仍能保持较高的识别率，在0%，5%和15%噪声环境下的识别准确率分别 为83.86%， 82.24%， 和81.92%，具有明显优势。综上所述，实验结果证明了本发明有效地在 小样本目标识别场景下探索了样本的深度全局性特征，培养了模型的自主学习能力，建立 了更加稳定的元学习模型，提升了目标识别性能。
表2 实验参数设置
Figure 933372DEST_PATH_IMAGE116

Claims (3)

1.一种基于层级化元迁移的小样本雷达目标识别方法，其特征在于，包括以下步骤：
S1、通过雷达获取各目标静态时在源域和目标域的原始图像，将对目标在不同方位角下进行观测得到的图像进行切割处理后得到样本；
S2、利用样本构建训练任务
Figure DEST_PATH_IMAGE001
，其中P是任务总数，任务
Figure 540726DEST_PATH_IMAGE002
包括支撑集和查询集，其 中支撑集是从源域中抽取标记样本构成，查询集是从目标域中抽取标记样本构成；所述支 撑集是通过K way N shot形式在源域中抽取标记样本构成，定义为
Figure DEST_PATH_IMAGE003
，K way N shot指的是对K类目标每个类别随机抽取N个标记训练样本，
Figure 148294DEST_PATH_IMAGE004
是第k类目标的第n个样本； 查询集是通过K way N shot的形式在目标域抽取M个标记样本构成，定义为
Figure DEST_PATH_IMAGE005
，其 中，
Figure 620864DEST_PATH_IMAGE006
是第k类目标的第m个样本；支撑集和查询集中的样本是相同类别目标在不同域中的 样本，定义对应的类别标签为
Figure DEST_PATH_IMAGE007
，其中，
Figure 671996DEST_PATH_IMAGE008
；
S3、通过层级化元迁移模型进行训练学习，对元学习器
Figure DEST_PATH_IMAGE009
进行更新，具 体为：
S31、在特征级构建基于注意力机制的特征编码器
Figure 784178DEST_PATH_IMAGE010
，利用元学习器对特征编码器进行 初始化
Figure DEST_PATH_IMAGE011
后，提取
Figure 8486DEST_PATH_IMAGE002
中支撑集和查询集的深度全局性特征；所述特征编码器
Figure 69983DEST_PATH_IMAGE010
包括 一个神经网络模块和注意力机制模块，提取深度全局性特征的具体方式为：
通过神经网络模块对样本提取泛化特征；
将泛化特征分块并拉直成向量，每个向量的维度是
Figure 292017DEST_PATH_IMAGE012
，记为
Figure DEST_PATH_IMAGE013
，其中，R是分 块的个数，添加一个同维度的可学习向量
Figure 704543DEST_PATH_IMAGE014
代表整个样本的全局特征，记嵌入可学习信息 后的特征为
Figure DEST_PATH_IMAGE015
，
Figure 922423DEST_PATH_IMAGE016
；
将特征
Figure DEST_PATH_IMAGE017
分别进行变换处理降维到不同的
Figure 104005DEST_PATH_IMAGE018
维嵌入子空间：
Figure DEST_PATH_IMAGE019
Figure 231361DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE021
其中，
Figure 131184DEST_PATH_IMAGE022
是不同的变换矩阵，
Figure DEST_PATH_IMAGE023
是不同嵌入子空间中的变换特征，利用 注意力机制处理获得全局性特征
Figure 884245DEST_PATH_IMAGE024
；
将全局性特征经过线性映射
Figure DEST_PATH_IMAGE025
变回
Figure 185914DEST_PATH_IMAGE012
维，采用残差结构和特征
Figure 546488DEST_PATH_IMAGE017
进行结合得到
Figure 871290DEST_PATH_IMAGE026
；
通过全连接层将特征
Figure 241091DEST_PATH_IMAGE017
先映射到高维空间，记高维空间的维数为
Figure DEST_PATH_IMAGE027
维，再映射回
Figure 131687DEST_PATH_IMAGE012
维 的低维空间，得到深层特征
Figure 115692DEST_PATH_IMAGE028
，与特征
Figure DEST_PATH_IMAGE029
采用残差结构进行结合得到深度全局性 特征
Figure 724528DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
，将可学习向量
Figure 835704DEST_PATH_IMAGE032
取出作为对应样本 的深度全局性特征
Figure DEST_PATH_IMAGE033
；
对于任务
Figure 846385DEST_PATH_IMAGE002
，利用特征编码器
Figure 814341DEST_PATH_IMAGE010
对任务
Figure 97424DEST_PATH_IMAGE002
的支撑集和查询集进行特征编码得到：
Figure 809028DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE035
，其中，
Figure 674216DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
分 别是任务
Figure 750756DEST_PATH_IMAGE002
支撑集和查询集的深度全局性特征，并且
Figure 334184DEST_PATH_IMAGE038
；
S32、在样本级构建基于注意力机制的类别原子编码器
Figure DEST_PATH_IMAGE039
，利用元学习器对类别原子编 码器进行初始化
Figure 597999DEST_PATH_IMAGE040
后，基于获得的
Figure 583273DEST_PATH_IMAGE002
支撑集样本的深度全局性特征计算
Figure 893031DEST_PATH_IMAGE002
的类别 原子，根据支撑集样本和不同类别原子的距离获得对应样本归属于不同类的概率，再根据 概率设计并最小化类别原子损失函数，以此更新类别原子编码器和类别原子；
S33、在任务级累计当前训练任务的学习经验，更新元学习器：
根据
Figure 963755DEST_PATH_IMAGE002
查询集样本的深度全局性特征和不同类别原子的距离，获得对应样本归属于不 同类的概率，根据概率设计元学习器损失函数，最小化该损失函数对元学习器进行更新，获 得更新后的元学习器
Figure DEST_PATH_IMAGE041
；
S4、通过重复步骤S3完成所有训练任务，获得所有元训练任务训练出的元学习器，记训 练出的元学习器为
Figure 954845DEST_PATH_IMAGE042
；
S5、记待测任务的标记样本为支撑集，未标记的待测样本为查询集；利用S4获得的元学 习器进行初始化
Figure DEST_PATH_IMAGE043
得到目标识别用特征编码器和类别原子编码器，利用目 标识别用特征编码对支撑集和查询集样本提取深度全局性特征；利用目标识别用类别原子 编码器基于支撑集深度全局性特征计算并更新类别原子，利用距离函数
Figure 794625DEST_PATH_IMAGE044
计算查询集 中待测样本的深度全局性特征和不同类别原子的距离，选取距离最近的类别原子的标签作 为待测样本的预测标签，得到识别结果。
2.根据权利要求1所述的一种基于层级化元迁移的小样本雷达目标识别方法，其特征在于，步骤S32中，所述更新类别原子编码器和类别原子的具体方法为：
利用S31中提取的支撑集深度全局性特征
Figure DEST_PATH_IMAGE045
，将
Figure 462236DEST_PATH_IMAGE045
分别进行变换处理降维到不同的
Figure 754677DEST_PATH_IMAGE018
维嵌入子空间：
Figure 611774DEST_PATH_IMAGE046
Figure DEST_PATH_IMAGE047
其中，
Figure 243744DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE049
是不同的变换矩阵，
Figure 895305DEST_PATH_IMAGE050
和
Figure DEST_PATH_IMAGE051
是不同嵌入子空间中的变换特征，利用注 意力机制得到样本级全局性特征
Figure 127572DEST_PATH_IMAGE052
；
将样本级全局性特征经过线性映射
Figure 522782DEST_PATH_IMAGE025
变回
Figure 71575DEST_PATH_IMAGE012
维，采用残差结构和深度全局性特征 进行结合得到
Figure DEST_PATH_IMAGE053
；
通过全连接层先将特征
Figure 97299DEST_PATH_IMAGE054
映射到
Figure 364333DEST_PATH_IMAGE027
维的高维空间，再映射回
Figure 563233DEST_PATH_IMAGE012
维的低维空间，得到深 层特征
Figure DEST_PATH_IMAGE055
，与特征
Figure 153483DEST_PATH_IMAGE056
采用残差结构进行结合得到样本级深度全局性特征
Figure DEST_PATH_IMAGE057
，
Figure 412426DEST_PATH_IMAGE058
；
对样本级深度全局特征取平均，得到样本级类别原子
Figure DEST_PATH_IMAGE059
：
Figure 104439DEST_PATH_IMAGE060
利用类别原子编码器基于得到的支撑集样本的深度全局性特征计算任务
Figure 841450DEST_PATH_IMAGE002
中所有的 类别原子并表示为
Figure DEST_PATH_IMAGE061
，其中
Figure 820295DEST_PATH_IMAGE062
；
根据获得的任务
Figure 250140DEST_PATH_IMAGE002
支撑集样本的深度全局性特征和获得的不同类别原子的距离，获得 样本
Figure DEST_PATH_IMAGE063
被判定为类别k的概率为：
Figure 226186DEST_PATH_IMAGE064
其中，
Figure 438993DEST_PATH_IMAGE044
是距离函数；
根据概率设计并最小化类别原子损失函数：
Figure DEST_PATH_IMAGE065
对类别原子编码器进行更新，记更新后的模型为
Figure 82463DEST_PATH_IMAGE066
，更新后的类别原子为
Figure DEST_PATH_IMAGE067
，其中，
Figure 604581DEST_PATH_IMAGE068
。
3.根据权利要求2所述的一种基于层级化元迁移的小样本雷达目标识别方法，其特征在于，步骤S33中，更新元学习器的具体方法为：
根据获得的任务
Figure 333502DEST_PATH_IMAGE002
查询集样本的深度全局性特征和获得的不同类别原子的距离，获得 样本
Figure DEST_PATH_IMAGE069
被判定为类别k的概率为：
Figure 350000DEST_PATH_IMAGE070
根据概率设计元学习器损失函数：
Figure DEST_PATH_IMAGE071
Figure 847977DEST_PATH_IMAGE072
Figure DEST_PATH_IMAGE073
Figure 540995DEST_PATH_IMAGE074
其中，margin是设置的阈值，
Figure DEST_PATH_IMAGE075
是平衡参数，通过最小化损失函数对元学习器进行更 新，获得更新后的元学习器
Figure 757213DEST_PATH_IMAGE041
。
CN202211276348.4A 2022-10-19 2022-10-19 一种基于层级化元迁移的小样本雷达目标识别方法 Active CN115345322B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211276348.4A CN115345322B (zh) 2022-10-19 2022-10-19 一种基于层级化元迁移的小样本雷达目标识别方法
PCT/CN2022/133980 WO2024082374A1 (zh) 2022-10-19 2022-11-24 一种基于层级化元迁移的小样本雷达目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211276348.4A CN115345322B (zh) 2022-10-19 2022-10-19 一种基于层级化元迁移的小样本雷达目标识别方法

Publications (2)

Publication Number Publication Date
CN115345322A CN115345322A (zh) 2022-11-15
CN115345322B true CN115345322B (zh) 2023-02-07

Family

ID=83957489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211276348.4A Active CN115345322B (zh) 2022-10-19 2022-10-19 一种基于层级化元迁移的小样本雷达目标识别方法

Country Status (2)

Country Link
CN (1) CN115345322B (zh)
WO (1) WO2024082374A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345322B (zh) * 2022-10-19 2023-02-07 电子科技大学长三角研究院(衢州) 一种基于层级化元迁移的小样本雷达目标识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114387524A (zh) * 2022-03-24 2022-04-22 军事科学院系统工程研究院网络信息研究所 基于多层级二阶表征的小样本学习的图像识别方法和系统
CN114488140A (zh) * 2022-01-24 2022-05-13 电子科技大学 一种基于深度迁移学习的小样本雷达一维像目标识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472483B (zh) * 2019-07-02 2022-11-15 五邑大学 一种面向sar图像的小样本语义特征增强的方法及装置
CN114492581A (zh) * 2021-12-27 2022-05-13 中国矿业大学 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法
CN114511739A (zh) * 2022-01-25 2022-05-17 哈尔滨工程大学 一种基于元迁移学习的任务自适应的小样本图像分类方法
CN114859316A (zh) * 2022-06-14 2022-08-05 中国人民解放军海军航空大学 基于任务相关度加权的雷达目标智能识别方法
CN114879185A (zh) * 2022-06-14 2022-08-09 中国人民解放军海军航空大学 基于任务经验迁移的雷达目标智能识别方法
CN115345322B (zh) * 2022-10-19 2023-02-07 电子科技大学长三角研究院(衢州) 一种基于层级化元迁移的小样本雷达目标识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114488140A (zh) * 2022-01-24 2022-05-13 电子科技大学 一种基于深度迁移学习的小样本雷达一维像目标识别方法
CN114387524A (zh) * 2022-03-24 2022-04-22 军事科学院系统工程研究院网络信息研究所 基于多层级二阶表征的小样本学习的图像识别方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Ruifang Zhang ; Yangxue Liu.Multi Feature Small Sample Object Recognition Method based on DTW Algorithm.《2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)》.2018, *
基于深度学习的合成孔径雷达图像目标识别研究;宣晨;《中国优秀硕士学位论文全文数据库》;20211215;全文 *

Also Published As

Publication number Publication date
CN115345322A (zh) 2022-11-15
WO2024082374A1 (zh) 2024-04-25

Similar Documents

Publication Publication Date Title
CN110956185B (zh) 一种图像显著目标的检测方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN111079847B (zh) 一种基于深度学习的遥感影像自动标注方法
CN106897681B (zh) 一种遥感图像对比分析方法及系统
CN109871875B (zh) 一种基于深度学习的建筑物变化检测方法
CN111311647B (zh) 一种基于全局-局部及卡尔曼滤波的目标跟踪方法及装置
CN113988147B (zh) 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置
CN113221848B (zh) 基于多分类器域对抗网络的高光谱开放集领域自适应方法
CN115345322B (zh) 一种基于层级化元迁移的小样本雷达目标识别方法
CN113837134A (zh) 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法
CN113111947A (zh) 图像处理方法、装置和计算机可读存储介质
CN114913498A (zh) 一种基于关键点估计的并行多尺度特征聚合车道线检测方法
CN113297988A (zh) 一种基于域迁移和深度补全的物体姿态估计方法
CN110705384B (zh) 一种基于跨域迁移增强表示的车辆再识别方法
Zhang et al. SaltISCG: Interactive salt segmentation method based on CNN and graph cut
CN111291818A (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN115327544B (zh) 基于自监督学习的少样本空间目标isar散焦补偿方法
Wang et al. Self-supervised learning for high-resolution remote sensing images change detection with variational information bottleneck
CN116310812A (zh) 基于半监督语义分割对比学习的高分辨遥感图像语义变化检测方法
Su et al. Which CAM is better for extracting geographic objects? A perspective from principles and experiments
CN113409351B (zh) 基于最优传输的无监督领域自适应遥感图像分割方法
CN115223033A (zh) 一种合成孔径声呐图像目标分类方法及系统
CN115147727A (zh) 一种遥感影像不透水面提取方法及系统
CN112801179A (zh) 面向跨领域复杂视觉任务的孪生分类器确定性最大化方法

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