[发明专利]SAR图像识别方法、装置、设备和存储介质

说明书

本发明公开了一种SAR图像识别方法、装置、设备和存储介质，主要包括基线模型遵循网络预训练和微调的标准迁移学习过程，当进行SAR图像识别时，可以将SAR图像支持集数据输入到表征函数进行学习，对每个支持集数据输入到基线模型函数中生成权值进行微调，便可快速适应，通过建立SAR数据支持集和训练集的索引，并调整训练集的参数来最小化预测损失Loss，从而无需依赖大量原始数据进行模型构建，有效地弥补了传统方法和深度学习方法的不足。

技术领域

本发明涉及图像识别技术领域，尤其是一种基于元迁移学习的端到端SAR图像识别方法、装置、设备和存储介质。

背景技术

传统的SAR图像识别方法人力干预较多，数据处理较为复杂。深度学习的出现有效的解决了传统方法存在的问题，CNN(Convolutional Neural Network,CNN)通过多级非线性映射从原始图像中学习到更加抽象的特征，并在整个学习过程中只需少量的人工参与，通过从大量的数据中学习特征映射，并进行准确的目标分类，整体性能较传统方法提升较大，类似网络还包含AlexNet,Squeezenet、InceptionNet等。然而，深度学习的方法大量依赖原始数据进行模型构建。因此，如何弥补传统方法和深度学习方法的不足成为SAR图像识别过程中亟待解决的问题。

发明内容

为解决上述问题，本发明的目的在于提供一种基于元迁移学习的端到端SAR图像识别方法、装置、设备和存储介质，主要包括基线模型遵循网络预训练和微调的标准迁移学习过程，有效地弥补了传统方法和深度学习方法的不足。

本发明解决其问题所采用的技术方案是：

第一方面，本发明实施例提出了一种SAR图像识别方法，包括：

将SAR图像支持集数据输入到表征函数进行学习；

对每个支持集数据输入到基线模型函数中生成权值；

建立SAR数据支持集和训练集的索引；

通过对训练集标签进行预测来最小化训练集损失。

进一步，所述将SAR图像支持集数据输入到表征函数进行学习包括：将随机采样的SAR图像支持集数据输入到表征函数u中，利用表征损失Lossemb来捕获表示学习目标，并将梯度作为元信息获取。

进一步，所述对每个支持集数据输入到基线模型函数中生成权值包括：对每个支持集样本数据输入到基线模型函数中，之后计算出预测的标签和支持集实际的标签通过交叉熵损失函数计算Loss。

进一步，所述建立SAR数据支持集和训练集的索引包括：利用参数为权值表征函数u为支持集进行建立索引，通过具有权值的表征函数u对训练集建立查询索引。

进一步，所述通过对训练集标签进行预测来最小化训练集损失包括：通过反向传播方式进行SAR图像数据的预测，采用反向传播算法去最小化任务损失。

第二方面，本发明实施例还提出了一种SAR图像识别装置，包括：

表征函数学习模块，用于将SAR图像支持集数据输入到表征函数进行学习；

权值生成模块，用于对每个支持集数据输入到基线模型函数中生成权值；

建立索引模块，用于建立SAR数据支持集和训练集的索引；

预测模块，用于通过对训练集标签进行预测来最小化训练集损失。

第三方面，本发明实施例还提出了一种SAR图像识别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，