[发明专利]基于图注意力网络的小样本SAR目标识别方法

权利要求书

1.一种基于图注意力网络的小样本SAR目标识别方法，其特征在于：

(1)选取包含雷达目标的N张SAR图像，对所有数据利用核尺寸为4×4的均值滤波器进行相干斑噪声抑制，得到降噪之后的N张SAR图像作为数据集，并分别按照5％和95％的比例划分为有标签的数据与无标签的数据，其中5％有标签的数据即为小样本SAR图像；

(2)设置用于提取SAR图像深度特征的自编码器，自编码器的输入为降噪后的SAR图像，输出为重建的SAR图像；

(3)利用输入SAR图像与重建SAR图像之间像素值的均方误差作为自编码器的误差函数loss₁，并用包含雷达目标的N张SAR图像训练自编码器直至误差函数收敛，得到训练好的自编码器；

(4)将含5％有标签和95％无标签的数据输入到训练好的自编码器中，得到全部SAR图像的特征向量F＝{F_i},i∈[1,N]，其中，F_i为第i张SAR图像的特征向量，也称做第i个节点的特征，p是F_i向量的维度，N是SAR图像的数量；

(5)根据每张SAR图像的标签构建节点标签矩阵以及标签遮掩向量并衡量每个节点之间的相似性，得到图结构数据的初始邻接矩阵

(6)设置用于更新图邻接矩阵W的子网络，该子网络的输入为初始的图邻接矩阵W，输出为更新后的图邻接矩阵E；

(7)设置用于预测节点标签的图注意力网络，该网络的输入分别为全部节点的特征向量F、更新后的图邻接矩阵E、节点标签矩阵L以及标签遮掩向量M，输出为预测的节点标签矩阵O；

(8)用遮掩的交叉熵损失函数作为图注意力网络的误差函数，利用数据集迭代图注意力网络，，直至误差函数收敛得到最终预测的节点标签矩阵I；

(9)根据该节点标签矩阵I即可对数据集中无标签的SAR图像进行类别预测，即实现了小样本情况下SAR目标的识别。

2.根据权利要求1所述的方法，其中(2)中用于提取SAR图像深度特征的自编码器是由一个编码器与一个解码器组成；

所述编码器，其由五个卷积层、三个全连接层按顺序堆叠构成，其中五个卷积层输出特征图个数分别为8、16、32、64、128，卷积核尺寸分别为1×1、2×2、2×2、2×2、2×2，卷积核步长分别为1×1、2×2、2×2、2×2、2×2，三个全连接层输出维度分别为8192、4096、1024，除最后一个全连接层采用sigmoid非线性激活函数外，其余所有层均采用relu函数作为激活函数；两个激活函数可由如下公式表示：

其中，x表示自变量，e^-x表示以自然数e≈2.718为底的指数函数；该编码器的输入为降噪后的SAR图像，输出为提取得到的SAR图像特征向量F；

所述解码器，其由两个全连接层、五个转置卷积层按顺序堆叠构成，其中两个全连接层的输出维度分别为4096、8192，激活函数为relu函数，五个转置卷积层输出特征图个数分别为128、64、32、16、1，卷积核尺寸分别为1×1、2×2、2×2、2×2、2×2，卷积核步长分别为1×1、2×2、2×2、2×2、2×2，激活函数为leakyrelu函数并由如下公式表示：

其中，x表示自变量；该解码器的输入为提取得到的SAR图像特征向量，输出为重建得到的SAR图像。

3.根据权利要求1所述的方法，其中(3)中自编码器的误差函数loss₁，表示如下：

其中，m、n为图像的长与宽，x(i,j)为输入SAR图像的像素值，y(i,j)为重建SAR图像的像素值。