CN115410083B - 一种基于对抗域适应的小样本sar目标分类方法及装置 - Google Patents
一种基于对抗域适应的小样本sar目标分类方法及装置 Download PDFInfo
- Publication number
- CN115410083B CN115410083B CN202211019129.8A CN202211019129A CN115410083B CN 115410083 B CN115410083 B CN 115410083B CN 202211019129 A CN202211019129 A CN 202211019129A CN 115410083 B CN115410083 B CN 115410083B
- Authority
- CN
- China
- Prior art keywords
- image
- sar
- sar image
- real
- network
- 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
- 230000006978 adaptation Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 abstract 2
- 239000013589 supplement Substances 0.000 abstract 1
- 230000003287 optical effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 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
-
- 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
- G06V10/70—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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于对抗域适应的小样本SAR目标分类方法及装置,首先,利用域适应模型使仿真SAR数据集与实际数据集进行对抗训练;然后,利用重构仿真SAR图像结合人工标注的方式制作辅助数据集;最后,将得到的重构仿真SAR图像与少量的真实SAR图像一起作为卷积神经网络的输入,输出得到目标分类的结果及准确率。本发明采用的基于对抗学习的域适应方法不仅可以大幅缩小仿真SAR图像与真实SAR图像的分布差异,而且可以作为小样本条件下目标信息不足的补充,为后续卷积神经网络的训练提供保障;本发明充分考虑了实际情况下带标签SAR图像不足的现实需求与该方法的可行性,在样本数量大幅减小的同时,可以获得较好的目标分类精度。
Description
技术领域
本发明属于雷达图像处理和目标分类领域,尤其涉及一种基于对抗域适应的小样本SAR目标分类方法及装置。
背景技术
合成孔径雷达(Synthetic Aperture Radar,简称SAR)作为一种主动对地观测的高分辨率成像雷达,能够克服云层遮挡、能见度低等因素的影响,实现全天时全天候的对地观测,在自然灾害监测、军事侦察、资源勘探等军用和民用领域有着广泛的应用前景和发展潜力。
2012年,Krizhevesky等人提出了第一个用于图像分类的深度卷积神经网络(Convolutional Neural Networks,简称CNN)模型,即AlexNet模型,并以17.0%的top-5错误率获得了当年ImageNet比赛的冠军,这标志着深度学习在图像分类领域的兴起。然而,相较于光学图像,SAR图像存在标注困难,获取代价高等问题,从而导致传统在光学图像上表现优异的深度学习模型应用于SAR图像领域时表现不佳。近年来,针对带标签SAR图像数据不足的问题,不少学者从不同方面也开展了一系列研究。2016年,Chen等人提出的A-ConvNets模型,将传统CNN模型中的全连接层以及分类层全部替换为卷积层,大大减少了网络参数并缓解了由于数据有限导致的过拟合问题,通过将MSTAR训练集数据全部投入训练准确率达到了99.13%。2017年,Malmgren-Hansen等人首先利用模拟数据集训练传统的浅层CNN模型,然后通过冻结-微调的方式将预训练的网络模型用于真实SAR图像训练,实验结果表明,在不同数据比例的情况下,迁移学习能够帮助网络实现更快的拟合与更高的准确率。2020年,Huang等人深入探讨了如何有效地将深度CNN模型迁移至SAR图像各类任务中,并提出了一种多源域数据传递方法用于减小源域数据与目标域数据之间的差异,通过在OpenSARShip数据集上的实验证明了迁移的效果取决于源域与目标域数据间的差异程度,差异越小,迁移效果越好。2021年,Guo等人分析了光学数据到SAR数据进行跨域学习的可行性,将迁移学习的思想用于SAR目标检测,通过在经典检测网络Faster R-CNN模型中添加域适应模块,实现了在有监督情况下光学数据到SAR数据的跨域学习。
本发明提出的基于对抗域适应的小样本SAR目标分类方法,充分考虑了现实情况下带标签真实SAR图像数量极度缺少的严苛条件,在实验中将每类样本的数量最少减至10以下,在保证目标分类精度的同时,为小样本学习提供了一种全新的思路。
发明内容
发明目的:本发明的目的是提供一种基于对抗域适应的小样本SAR目标分类方法及装置,通过对抗域适应的方式首先减小二者之间的差异,其次通过重构的仿真SAR图像辅助少量真实SAR图像的学习,提升小样本下目标分类精度。
技术方案:本发明提供了一种基于对抗域适应的小样本SAR目标分类方法,包括以下步骤:
(1)重构仿真SAR图像:基于域适应模型,通过仿真SAR图像数据集与真实SAR图像数据集之间的对抗学习,进行目标特征迁移,得到与真实SAR图像分布相近的重构仿真SAR图像;
(2)制作重构仿真SAR图像数据集:将步骤(1)得到的与真实SAR图像分布相近的仿真SAR图像,结合人工标注的方式制作重构仿真SAR图像数据集,其中目标类别标签与真实SAR图像的保持一致;
(3)SAR图像目标分类:将步骤(2)的重构仿真SAR图像数据集和真实SAR图像一道作为卷积神经网络的输入进行训练,得到目标分类结果及精度。
进一步地,步骤(1)所述域适应模型由两个图像生成网络和两个判别网络闭环组成;所述图像生成网络包括特征提取模块和特征恢复模块,特征提取模块由数个卷积-池化层组成用于初步提取输入图像的特征,紧接着六个残差块用于在加深网络的同时进一步提取图像特征;特征恢复模块由上采样层和卷积层交替组成,用于最终的输出尺寸大小与输入图像完全相同;所述判别网络包含五个卷积层,其中前四个卷积层用于提取输入数据特征,最后一个卷积层用于判别输入图像的来源,最终输出结果。
进一步地,所述步骤(1)包括以下步骤:
(11)仿真SAR数据集A首先通过图像生成网络网络得到生成图像B,即所需要的重构仿真SAR图像:通过对输入的仿真SAR数据层层学习提取得到尺寸大小为32×32×256的特征图;随后提取目标特征;在进行特征提取期间,特征图的大小始终保持为32×32×256;由第一个上采样层到最后的输出端组成了GAB网络的特征复原模块,通过上采样层与卷积层的交替使用,最终还原同样大小为128×128×1的重构仿真SAR图像;上采样层输出特征图尺寸为:
其中,hout、wout和cout分别表示输出特征图的高度,宽度以及通道数;hin、win和cin分别表示输入前特征图的高度,宽度以及通道数;s为上采样层的核大小;
生成图像B与真实SAR图像数据集随后被送入判别网络DB作区分训练,卷积层所采用的激活函数为LeakyReLU:
其中,xij为第i行第j列处的像素值,α为一个很小的常数用于保留一些负值;通过四次卷积操作,最后一个卷积层用于判别网络DB的输出,输出值为0或1,其中0代表输入的图像是由仿真SAR图像数据集通过GAB生成的重构仿真图像,1则表示为输入的图像是真实SAR图像,通过均方误差衡量二者的差异程度:
其中,NB为真实数据集B的样本数量,xi表示真实数据集B中的第i个样本,则为其对应的重构仿真样本,通过多轮的迭代训练指导GAB网络生成更加逼近真实SAR图像的重构仿真SAR图像;
(12)为了加快减小仿真SAR图像数据集A与真实SAR图像数据集B间的分布差异,真实SAR图像也会通过GBA与判别网络DA学习仿真SAR图像的目标特征;
(13)采用一致性损失函数作为约束条件添加进域适应网络模型中:
Lconsis=E[||GBA(GAB(xa))-xa||1]+E[||GAB(GBA(xb))-xb||1]
其中,GBA(GAB(xa))表示仿真图像xa通过GAB网络生成图像后再经GBA还原后的图像,E[||GBA(GAB(xa))-xa||1]则用于衡量还原后的图像与原本的xa之间的差异;GAB(GBA(xb))表示真实图像xb通过GBA网络生成图像后再经GAB还原后的图像,E[||GAB(GBA(xb))-xb||1]则用于衡量还原后的图像与原本的xb之间的差异。
进一步地,所述步骤(2)实现过程如下:
将步骤(1)得到的重构仿真SAR图像,通过人工标注的方式弥补因真实带标签SAR样本数量过少导致的信息缺失的问题,制作并划分出训练集、验证集和测试集;其中,训练集由重构仿真SAR图像数据集与真实SAR图像共同组成,训练集包含各目标类别的标签;验证集仅包含训练集中的真实SAR图像。
基于相同的发明构思,本发明还提供一种基于对抗域适应的小样本SAR目标分类装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现上述的基于对抗域适应的小样本SAR目标分类方法。
有益效果:与现有技术相比,本发明的有益效果:本发明中提出的基于对抗域适应的小样本SAR目标分类方法考虑到带标签SAR图像数量不足的现实需求,在样本数量有限的情况下能达到较好的目标分类精度。
附图说明
图1为基于对抗域适应的小样本SAR目标分类方法的流程图;
图2为本发明提出的域适应模型结构示意图;
图3为本发明中域适应模型中图像生成网络示意图;
图4为本发明中域适应模型中图像判别网络示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明提供了一种基于对抗域适应的小样本SAR目标分类方法,如图1所示,包括如下步骤:(1)基于仿真SAR图像与真实SAR图像的对抗域适应重构仿真SAR图像;(2)利用步骤(1)得到的与真实SAR图像分布相近的仿真SAR图像,结合人工标注的方式制作重构仿真SAR图像数据集;(3)将步骤(2)的重构仿真SAR图像,和少量的真实SAR图像一道作为卷积神经网络的输入进行训练,得到目标的分类结果及分类精度。具体实现过程如下:
步骤(1):重构仿真SAR图像。
本发明基于匹配滤波真实SAR图像,通过与仿真SAR图像进行对抗域适应,得到与真实SAR图像分布相近的重构仿真SAR图像,用于后续的辅助训练。
采用的域适应模型由两个图像生成网络(GAB和GBA)两个图像判别网络(DA和DB)闭环组成;如图2所示,其中A指代初始的仿真SAR数据集,B表示真实SAR图像数据集,两者在域适应阶段不需要提供标签信息。图像生成网络包括特征提取模块和特征恢复模块,特征提取模块由数个卷积-池化层组成用于初步提取输入图像的特征,紧接着六个残差块用于在加深网络的同时进一步提取图像特征;特征恢复模块由上采样层和卷积层交替组成,用于最终的输出尺寸大小与输入图像完全相同;图像判别网络用于区分真实图像和虚假图像,包含五个卷积层,其中前四个卷积层用于提取输入数据特征,最后一个卷积层用于判别输入图像的来源,最终输出结果。
(1.1)以仿真SAR数据集A向真实SAR图像数据集B过渡为例。仿真SAR数据集A首先通过图像生成网络GAB得到生成图像B,即所需要的重构仿真SAR图像。GAB网络中特征提取模块如图3中(a)所示,输入端到残差块为特征提取模块,通过对输入的仿真SAR数据层层学习提取得到尺寸大小为32×32×256的特征图;随后,通过使用6个的残差块如图3中(b)所示,用于加深网络并进一步提取目标特征,需要注意的是在残差块进行特征提取期间,特征图的大小始终保持为32×32×256,以便于后续的特征复原。由第一个上采样层到最后的输出端组成了GAB网络的特征复原模块,通过上采样层与卷积层的交替使用,最终还原同样大小为128×128×1的重构仿真SAR图像。上采样层输出特征图尺寸为:
其中,hout、wout和cout分别表示输出特征图的高度,宽度以及通道数;hin、win和cin分别表示输入前特征图的高度,宽度以及通道数;s为上采样层的核大小,这里设置为2。
生成图像B与真实SAR图像数据集随后被送入判别网络DB作区分训练,判别网络如图4所示。为了更好地区分输入的是生成图像还是真实图像,图像中每一个像素点的信息都十分重要。因此,卷积层所采用的激活函数为LeakyReLU,其公式为:
其中,xij为第i行第j列处的像素值,α为一个很小的常数用于保留一些负值,使得负轴的信息不会全部丢失,这也是其与ReLU激活函数最大的区别。距离归一化则每次作用于单个样本,从而避免每个样本独特细节的丢失。通过四次卷积操作,最后一个卷积层用于网络DB的输出,输出值为0或1,其中0代表输入的图像是由仿真SAR图像数据集通过GAB生成的重构仿真图像,1则表示为输入的图像是真实SAR图像,通过均方误差(Mean SquaredError,简称MSE)衡量二者的差异程度,MSE的公式可以被写作:
其中,NB为真实数据集B的样本数量,xi表示真实数据集B中的第i个样本,则为其对应的重构仿真样本,通过多轮的迭代训练指导GAB网络生成更加逼近真实SAR图像的重构仿真SAR图像。
(1.2)为了加快减小仿真SAR图像数据集A与真实SAR图像数据集B间的分布差异,真实SAR图像也会通过GBA与DA网络学习仿真SAR图像的目标特征,原理步骤与步骤(1.1)相同。
(1.3)由于两个用于图像生成的网络享有相同的结构且仿真SAR图像与真实SAR图像在做域适应时是不成对的,即两者输入的样本数量不同;为了避免两个网络生成的图像相互矛盾,保证每轮训练输入的样本互相学习正确的映射,利用一种一致性损失函数作为约束条件添加进域适应网络模型中,其公式可以写为:
Lconsis=E[||GBA(GAB(xa))-xa||1]+E[||GAB(GBA(xb))-xb||1]
其中,GBA(GAB(xa))表示仿真图像xa通过GAB网络生成图像后再经GBA还原后的图像,E[||GBA(GAB(xa))-xa||1]则用于衡量还原后的图像与原本的xa之间的差异;GAB(GBA(xb))表示真实图像xb通过GBA网络生成图像后再经GAB还原后的图像,E[||GAB(GBA(xb))-xb||1]则用于衡量还原后的图像与原本的xb之间的差异。
步骤(2):制作重构仿真SAR图像数据集。
将步骤(1)得到的重构仿真SAR图像,通过人工标注的方式弥补真实SAR图像因样本数量过少导致的信息缺失的问题,制作并划分出训练集、验证集和测试集。其中,训练集由重构仿真SAR图像与真实SAR图像共同组成,训练集包含各目标类别的标签。验证集仅包含训练集中的真实SAR图像。
步骤(3):SAR图像目标分类。
将步骤(2)得到的重构仿真SAR图像连同少量的真实SAR图像组成的训练集作为构建的卷积神经网络的输入进行训练,得到目标的分类结果及分类精度。
基于相同的发明构思,本发明还提供一种基于对抗域适应的小样本SAR目标分类装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现上述的基于对抗域适应的小样本SAR目标分类方法。
表1为本发明基于MSTAR真实SAR图像的目标分类结果。在实验中,每类真实SAR图像的样本数量分别被控制在5、10、20、30、40和50样本条件下进行训练,并最终在测试集上得到最终分类结果。
表1基于MSTAR真实SAR图像的目标分类结果
样本/类 | 5 | 10 | 20 | 30 | 40 | 50 |
A-ConvNet[5] | 35.70% | 45.79% | 63.07% | 73.94% | 81.82% | 84.78% |
对抗域适应 | 47.07% | 56.31% | 72.51% | 75.76% | 80.83% | 85.70% |
实验结果表明,本发明提出的基于对抗域适应的小样本SAR目标分类方法相较于经典的A-ConvNet模型,在各个样本数量条件下都提高或是达到了近似的精度,尤其在样本数量小的情况下,例如每类5个样本或每类10个样本时,表现出更好的分类性能。
Claims (3)
1.一种基于对抗域适应的小样本SAR目标分类方法,其特征在于,包括如下步骤:
(1)重构仿真SAR图像:基于域适应模型,通过仿真SAR图像数据集与真实SAR图像数据集之间的对抗学习,进行目标特征迁移,得到与真实SAR图像分布相近的重构仿真SAR图像;
(2)制作重构仿真SAR图像数据集:将步骤(1)得到的与真实SAR图像分布相近的仿真SAR图像,结合人工标注的方式制作重构仿真SAR图像数据集,其中目标类别标签与真实SAR图像的保持一致;
(3)SAR图像目标分类:将步骤(2)的重构仿真SAR图像数据集和真实SAR图像一道作为卷积神经网络的输入进行训练,得到目标分类结果及精度;
步骤(1)所述域适应模型由两个图像生成网络GAB、GBA及两个判别网络DA、DB闭环组成;所述图像生成网络包括特征提取模块和特征恢复模块,特征提取模块由数个卷积-池化层组成用于初步提取输入图像的特征,紧接着六个残差块用于在加深网络的同时进一步提取图像特征;特征恢复模块由上采样层和卷积层交替组成,用于最终的输出尺寸大小与输入图像完全相同;所述判别网络包含五个卷积层,其中前四个卷积层用于提取输入数据特征,最后一个卷积层用于判别输入图像的来源,最终输出结果;
所述步骤(1)包括以下步骤:
(11)仿真SAR数据集A首先通过图像生成网络GAB网络得到生成图像B,即所需要的重构仿真SAR图像:通过对输入的仿真SAR数据层层学习提取得到尺寸大小为32×32×256的特征图;随后提取目标特征;在进行特征提取期间,特征图的大小始终保持为32×32×256;由第一个上采样层到最后的输出端组成了GAB网络的特征复原模块,通过上采样层与卷积层的交替使用,最终还原同样大小为128×128×1的重构仿真SAR图像;上采样层输出特征图尺寸为:
其中,hout、wout和cout分别表示输出特征图的高度,宽度以及通道数;hin、win和cin分别表示输入前特征图的高度,宽度以及通道数;s为上采样层的核大小;
生成图像B与真实SAR图像数据集随后被送入判别网络DB作区分训练,卷积层所采用的激活函数为LeakyReLU:
其中,xij为第i行第j列处的像素值,α为一个很小的常数用于保留一些负值;通过四次卷积操作,最后一个卷积层用于判别网络DB的输出,输出值为0或1,其中0代表输入的图像是由仿真SAR图像数据集通过GAB生成的重构仿真图像,1则表示为输入的图像是真实SAR图像,通过均方误差衡量二者的差异程度:
其中,NB为真实数据集B的样本数量,xi表示真实数据集B中的第i个样本,则为其对应的重构仿真样本,通过多轮的迭代训练指导GAB网络生成更加逼近真实SAR图像的重构仿真SAR图像;
(12)为了加快减小仿真SAR图像数据集A与真实SAR图像数据集B间的分布差异,真实SAR图像也会通过GBA与判别网络DA学习仿真SAR图像的目标特征;
(13)采用一致性损失函数作为约束条件添加进域适应网络模型中:
Lconsis=E[||GBA(GAB(xa))-xa||1]+E[||GAB(GBA(xb))-xb||1]
其中,GBA(GAB(xa))表示仿真图像xa通过GAB网络生成图像后再经GBA还原后的图像,E[||GBA(GAB(xa))-xa||1]则用于衡量还原后的图像与原本的xa之间的差异;GAB(GBA(xb))表示真实图像xb通过GBA网络生成图像后再经GAB还原后的图像,E[||GAB(GBA(xb))-xb||1]则用于衡量还原后的图像与原本的xb之间的差异。
2.根据权利要求1所述的一种基于对抗域适应的小样本SAR目标分类方法,其特征在于,所述步骤(2)实现过程如下:
将步骤(1)得到的重构仿真SAR图像,通过人工标注的方式弥补因真实带标签SAR样本数量过少导致的信息缺失的问题,制作并划分出训练集、验证集和测试集;其中,训练集由重构仿真SAR图像数据集与真实SAR图像共同组成,训练集包含各目标类别的标签;验证集仅包含训练集中的真实SAR图像。
3.一种基于对抗域适应的小样本SAR目标分类装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-2任一项所述的基于对抗域适应的小样本SAR目标分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211019129.8A CN115410083B (zh) | 2022-08-24 | 2022-08-24 | 一种基于对抗域适应的小样本sar目标分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211019129.8A CN115410083B (zh) | 2022-08-24 | 2022-08-24 | 一种基于对抗域适应的小样本sar目标分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115410083A CN115410083A (zh) | 2022-11-29 |
CN115410083B true CN115410083B (zh) | 2024-04-30 |
Family
ID=84161838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211019129.8A Active CN115410083B (zh) | 2022-08-24 | 2022-08-24 | 一种基于对抗域适应的小样本sar目标分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115410083B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634101A (zh) * | 2024-01-26 | 2024-03-01 | 杭州广立微电子股份有限公司 | 芯片表面形态确定方法、装置、计算机设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871902A (zh) * | 2019-03-08 | 2019-06-11 | 哈尔滨工程大学 | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 |
CN109934282A (zh) * | 2019-03-08 | 2019-06-25 | 哈尔滨工程大学 | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 |
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 |
CN112132042A (zh) * | 2020-09-24 | 2020-12-25 | 西安电子科技大学 | 基于对抗域适应的sar图像目标检测方法 |
CN112149755A (zh) * | 2020-10-12 | 2020-12-29 | 自然资源部第二海洋研究所 | 基于深度学习的小样本海底水声图像底质分类方法 |
CN112329536A (zh) * | 2020-10-09 | 2021-02-05 | 东南大学 | 一种基于交替对抗迁移学习的单样本人脸识别方法 |
CN112529806A (zh) * | 2020-12-15 | 2021-03-19 | 哈尔滨工程大学 | 基于生成对抗网络信息最大化的sar图像数据增强方法 |
CN113592715A (zh) * | 2021-08-05 | 2021-11-02 | 昆明理工大学 | 一种面向小样本图像集的超分辨率图像重构方法 |
CN113688941A (zh) * | 2021-09-09 | 2021-11-23 | 西北工业大学 | 基于生成对抗网络的小样本声呐图像分类识别优化方法 |
CN114627383A (zh) * | 2022-05-13 | 2022-06-14 | 南京航空航天大学 | 一种基于度量学习的小样本缺陷检测方法 |
CN114819061A (zh) * | 2022-04-02 | 2022-07-29 | 南京航空航天大学 | 一种基于迁移学习的稀疏sar目标分类方法及装置 |
-
2022
- 2022-08-24 CN CN202211019129.8A patent/CN115410083B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871902A (zh) * | 2019-03-08 | 2019-06-11 | 哈尔滨工程大学 | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 |
CN109934282A (zh) * | 2019-03-08 | 2019-06-25 | 哈尔滨工程大学 | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 |
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 |
CN112132042A (zh) * | 2020-09-24 | 2020-12-25 | 西安电子科技大学 | 基于对抗域适应的sar图像目标检测方法 |
CN112329536A (zh) * | 2020-10-09 | 2021-02-05 | 东南大学 | 一种基于交替对抗迁移学习的单样本人脸识别方法 |
CN112149755A (zh) * | 2020-10-12 | 2020-12-29 | 自然资源部第二海洋研究所 | 基于深度学习的小样本海底水声图像底质分类方法 |
CN112529806A (zh) * | 2020-12-15 | 2021-03-19 | 哈尔滨工程大学 | 基于生成对抗网络信息最大化的sar图像数据增强方法 |
CN113592715A (zh) * | 2021-08-05 | 2021-11-02 | 昆明理工大学 | 一种面向小样本图像集的超分辨率图像重构方法 |
CN113688941A (zh) * | 2021-09-09 | 2021-11-23 | 西北工业大学 | 基于生成对抗网络的小样本声呐图像分类识别优化方法 |
CN114819061A (zh) * | 2022-04-02 | 2022-07-29 | 南京航空航天大学 | 一种基于迁移学习的稀疏sar目标分类方法及装置 |
CN114627383A (zh) * | 2022-05-13 | 2022-06-14 | 南京航空航天大学 | 一种基于度量学习的小样本缺陷检测方法 |
Non-Patent Citations (10)
Title |
---|
Amplitude-Phase CNN-Based SAR Target classification via complex-valued sparse image;Jiarui Deng等;《IEEE JOURNAL OF S ELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20220629;第5214-5221页 * |
Epilepsy SEEG Data Classification Based On Domain Adversarial Learning;HAO YU等;《IEEEAccess》;20210614;第82000-82009页 * |
Few-shot Adaptive Faster R-CNN;Tao Wang等;《arXiv:1903.09372v1》;20190322;第1-10页 * |
Supervised Domain Adaption for few-shot Radar-Based Human Activity Recognition;Xinyu Li等;《IEEE SENSORS JOURNAL》;20210915;第25880-25890页 * |
基于对抗域适配的小样本识别研究及在星载智能系统中的应用;钟昊文;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210915;C031-100 * |
基于小样本学习的Sar图像识别;汪航等;《计算机科学》;20200531;第124-128页 * |
基于小样本学习的图像分类技术综述;刘颖等;《自动化学报》;20210228;第297-315页 * |
基于无监督域适应的仿真辅助SAR目标分类方法及模型可解释性分析;吕小玲等;《雷达学报》;20220228;第168-182页 * |
基于残差网络和小样本学习的鱼图像识别;袁培森等;《农业机械学报》;20220228;第282-290页 * |
小样本困境下的深度学习图像识别综述;葛轶洲等;《软件学报》;20210420;第193-210页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115410083A (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN109726657B (zh) | 一种深度学习场景文本序列识别方法 | |
CN108846444B (zh) | 面向多源数据挖掘的多阶段深度迁移学习方法 | |
CN110245711B (zh) | 基于角度旋转生成网络的sar目标识别方法 | |
CN111275107A (zh) | 一种基于迁移学习的多标签场景图像分类方法及装置 | |
CN111652202B (zh) | 利用自适应的时空图模型通过提升视频-语言表征学习来解决视频问答问题的方法及其系统 | |
CN111161274B (zh) | 腹部图像分割方法、计算机设备 | |
CN115410083B (zh) | 一种基于对抗域适应的小样本sar目标分类方法及装置 | |
CN104732535A (zh) | 一种约束稀疏的非负矩阵分解方法 | |
CN112464717A (zh) | 一种遥感图像目标检测方法、系统、电子设备和存储介质 | |
CN110517272B (zh) | 基于深度学习的血细胞分割方法 | |
CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN113837191B (zh) | 基于双向无监督域适应融合的跨星遥感图像语义分割方法 | |
CN116309062A (zh) | 一种遥感图像超分辨率重建方法 | |
Zhou et al. | MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution | |
CN116740362B (zh) | 一种基于注意力的轻量化非对称场景语义分割方法及系统 | |
CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
WO2024082374A1 (zh) | 一种基于层级化元迁移的小样本雷达目标识别方法 | |
Zhao et al. | SSIR: Spatial shuffle multi-head self-attention for Single Image Super-Resolution | |
CN109063760B (zh) | 基于随机森林多尺度卷积模型的极化sar分类方法 | |
CN116580243A (zh) | 一种掩码图像建模引导域适应的跨域遥感场景分类方法 | |
CN114519384B (zh) | 一种基于稀疏sar幅度-相位图像数据集的目标分类方法 | |
CN114792349A (zh) | 基于半监督生成对抗网络的遥感影像转换地图迁移方法 | |
CN103745232A (zh) | 基于波段迁移的高光谱图像聚类方法 | |
CN114581758A (zh) | 基于EfficientNet网络与深度学习的植物叶部病害识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |