[发明专利]基于分层变分自编码的跨源舰船特征融合学习与识别方法

权利要求书

1.基于分层变分自编码的跨源舰船特征融合学习与识别方法，其特征在于，包括：

获取目标舰船的光学或合成孔径雷达待识别图像；

使用训练好的分层式变分自编码网络中的第一编码器提取所述待识别图像中的舰船类别间差异性特征及数据源间差异性特征；

使用训练好的分层式变分自编码网络中的第二编码器对所述舰船类别间差异性特征及数据源间差异性特征进行分析，确定所述待识别图像中的目标舰船的类别及待识别图像的数据源类别；

其中，所述分层式变分自编码网络为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括舰船图像、表示该舰船图像的类别标签和该舰船图像数据源的标签；

所述分层式变分自编码网络为两层变分自编码网络；

使用第一层变分自编码网络中的第一编码器提取所述待识别图像中不同的隐特征；

将所述不同的隐特征进行拼接组合，得到组合隐特征；

使用第二层变分自编码网络中的第二编码器对所述组合隐变量进行分析，得到所述待识别图像中的目标舰船的类别和数据源类别。

2.如权利要求1所述的基于分层变分自编码的跨源舰船特征融合学习与识别方法，其特征在于，第一层变分自编码网络由第一编码器和第一解码器组成；

所述第一编码器包括两层卷积网络，第一层所述卷积网络为1个卷积网络，第二层卷积网络为并列设置的4个卷积网络，且第一层的卷积网络分别和第二层的每个卷积网络相连；

所述第一解码器包括1个反卷积网络，所述反卷积网络用于将编码器得到的不同的隐特征进行拼接组合后对所述待识别图像进行重建，生成重建图像；

所述重建图像用于与待识别图像进行比对，以优化所述第一层变分自编码网络的网络参数。

3.如权利要求2所述的基于分层变分自编码的跨源舰船特征融合学习与识别方法，其特征在于，所述第二层变分自编码网络由第二编码器和第二解码器组成；

所述第二编码器包括并列设置的2个全连接网络；2个所述全连接网络用于根据所述组合隐特征生成所述待识别图像中的目标舰船的类别、及待识别图像的数据源类别；

所述第二解码器包括3个全连接网络，所述3个全连接网络分别用于：

根据第二编码器得到的目标舰船的类别对对应的隐特征进行重构，得到重构后的隐特征；

根据第二编码器得到待识别图像的数据源类别对对应的隐特征进行重构，得到重构后的隐特征；以及

根据拼接组合后的所述目标舰船的类别和待识别图像的数据源类别对对应的隐特征进行重构，得到重构后的隐特征；

所述重构后的隐特征用于与重构前的隐特征进行比对，以优化所述第二层变分自编码网络的网络参数。

4.如权利要求2或3所述的基于分层变分自编码的跨源舰船特征融合学习与识别方法，其特征在于，所述分层式变分自编码网络的损失函数为：

其中，为输入图像的重构误差函数，x为训练图像集X中的图像，c₁₂₃₄表示“c₁,c₂,c₃,c₄”，q(c₁₂₃₄|x)、p(x|c₁₂₃₄)、q(c₁|x)、p(c₁)、q(c₂|x)、p(c₂|l)、q(c₃|x)、p(c₃|d)、q(c₄|x)、p(c₄|d,l)、q(c₂₃₄|x)均服从高斯分布，α和β为权重，c₁、c₂、c₃、c₄分别为不同的隐特征，c₂₃₄表示“c₂,c₃,c₄”，d为图像来源类别标签，l为图像中目标舰船的类别标签，γ为权重，θ为权重，q(d|c₃₄)、p(d)、q(l|c₂₄)、p(l)、q(d,l|c₂₃₄)均服从Concrete分布，c₃₄表示“c₃,c₄”，c₂₄表示“c₂,c₄”。