一种基于深度学习的合成孔径雷达图像的识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984650A(43)申请公布日2023.04.18(21)申请号202310027374.1G06N3/0464(2023.01)(22)申请日2023.01.09G06N3/08(2023.01)(71)申请人中国人民解放军国防科技大学地址410073湖南省长沙市开福区德雅路109号(72)发明人张一凡高勋章夏靖远黎湘霍凯李玮杰王建山张娜(74)专利代理机构武汉东喻专利代理事务所(普通合伙)42224专利代理师李佑宏(51)Int.Cl.G06V10/774(2022.01)G06V10/778(2022.01)G06V10/40(2022.01)G06V10/82(2022.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于深度学习的合成孔径雷达图像的识别方法(57)摘要本申请公开了一种基于深度学习的合成孔径雷达图像的识别方法，该方法包括：获取合成孔径雷达图像，将预处理后的图像按比例分为训练集和测试集；构建骨干网络模型，将带有真实值标签的训练集数据输入骨干网络模型中，获得骨干网络模型中输出的特征图并计算第一损失函数；构建可分性测度网络模型，计算骨干网络模型中输出的特征图的可分性测度值，根据可分性测度值计算第二损失函数；计算得到综合损失函数，基于该函数对骨干网络模型进行迭代训练，得到训练好的骨干网络模型；将测试集输入到训练好的骨干网络模型中，得到合成孔径雷达图像的类型识别结果。本发明增强了骨干网络模型识别过程的可解释性。能够显著提升模型的识别效率和准确率。CN115984650ACN115984650A权利要求书1/2页1.一种基于深度学习的合成孔径雷达图像的识别方法，其特征在于，包括以下步骤：获取合成孔径雷达图像，将预处理后的合成孔径雷达图像按比例分为训练集和测试集；构建骨干网络模型，将带有真实值标签的训练集数据输入骨干网络模型中，获得骨干网络模型中输出的特征图并计算第一损失函数；构建可分性测度网络模型，计算所述骨干网络模型中输出的特征图的可分性测度值，根据所述可分性测度值计算第二损失函数；将所述第一损失函数与所述第二损失函数计算得到综合损失函数，基于所述综合损失函数对所述骨干网络模型进行迭代训练，得到训练好的骨干网络模型；将所述测试集输入到训练好的骨干网络模型中，得到合成孔径雷达图像的类型识别结果。2.如权利要求1所述的基于深度学习的合成孔径雷达图像的识别方法，其中，所述骨干网络模型包括若干层网络分支，每层网络分支用于根据所述合成孔径雷达图像进行特征提取，并输出不同分辨率的特征图。3.如权利要求2所述的基于深度学习的合成孔径雷达图像的识别方法，所述每一层网络分支均包括卷积‑池化组合，所述卷积‑池化组合包括卷积层、非线性映射层与池化层；其中，卷积层与池化层的参数根据骨干网络模型的任务识别与合成孔径雷达图像特点进行适应性调整。4.如权利要求1所述的基于深度学习的合成孔径雷达图像的识别方法，其中，所述构建可分性测度网络模型，计算所述骨干网络模型中输出的特征图的可分性测度值，根据所述可分性测度值计算第二损失函数，具体包括：构建可分性测度网络模型，根据所述骨干网络模型的层数、每层输出的特征图的大小和数量确定特征图的降维方式以及可分性测度值的权重分布；对特征图进行降维处理，并计算每一层输出的特征图的可分性测度值；基于每一层输出的特征图的可分性测度值计算第二损失函数。5.如权利要求4所述的基于深度学习的合成孔径雷达图像的识别方法，其中，所述对特征图进行降维处理，具体包括：采用全局最大池化对特征图进行降维处理，再通过Reshape操作对降维后的特征图进行维度重置。6.如权利要求5所述的基于深度学习的合成孔径雷达图像的识别方法，其中，所述计算每一层输出的特征图的可分性测度值，具体包括：获取维度重置后的特征图的特征矩阵Z，通过下式计算编码特征矩阵Z的最小二进制比特数R(Z,ε)：其中，表示特征矩阵，d×m表示特征矩阵的维数，ε表示预设精度，ZΤ为Z的转置，I表示单位矩阵，det(·)表示矩阵的行列式；通过下式计算不同类别目标的特征之间的距离大小度量RC(Z,ε|Π)：2CN115984650A权利要求书2/2页j其中，为对角矩阵，对角元素Π(i,i)表示样本Zi属于类别j的概率，tr(·)表示矩阵的迹；将编码特征矩阵的最小二进制比特数与不同类别目标的特征之间的距离大小度量之间的差值，或比值作为特征图的可分性测度值。7.如权利要求6所述的基于深度学习的合成孔径雷达图像的识别方法，其中，所述基于每一层输出的特征图的可分性测度值计算第二损失函数，具体包括：通过下式计算第二损失函数：其中，N表示特征图个数，ΔRi表示第i个特征图的可分性测度值，αi表示第i个特征图对