[发明专利]一种基于K-shot学习的极化SAR地物分类方法

权利要求书

1.一种基于K-shot学习的极化SAR地物分类方法，其特征在于，包括以下步骤：

S1、准备数据集，以Flevoland I数据集作为训练集进行训练，以Flevoland II和SanFrancisco数据集作为测试集进行测试；

S2、对极化SAR数据进行精致Lee滤波处理，对经过Lee滤波的9维特征向量，即滤波后的T矩阵复制边界进行填充，逐像素有重叠地进行切块操作；

S3、搭建包括深度嵌入模块Ψ和图像级度量模块Φ的DN4网络，深度嵌入模块Ψ用以学习询问集合和支撑集合的图像的特征表示，包含四个卷积块，每个卷积块由一个卷积层，一个批处理规范化层和一个Leaky ReLU层组成，前两个卷积块分别附加一个额外的2×2最大池化层，具体为：

Ψ(X)＝[x₁,...,x_m]∈R^d×m

其中，X_i是第i个深度局部描述子；

图像级度量模块Φ使用来自某一类中所有的训练图像的深度局部描述子来构造用于该类别的局部描述子空间，具体为：

其中，k为超参数，m为局部描述子的集合个数，x_i为描述子，为描述子在第c类中第k以内近邻的描述子，c为类别，q为询问集合图片；

S4、构造交叉熵损失和Hinge Loss损失函数，实现对特征样本的类内距离缩小与类间距离增大，将交叉熵函数与Hinge Loss进行线性组合，当w(t)函数为正值的设置时，表示在模型训练初期以Hinge Loss损失函数为主，而后逐渐以交叉熵损失函数为主要损失；当w(t)函数为负值的设置时，表示在模型训练初期以交叉熵损失函数为主，而后逐渐以HingeLoss损失函数为主要损失，交叉熵函数与Hinge Loss进行线性组合具体为：

L(y)＝w(t)L_C+[1-w(t)]L_H

其中，L_C表示交叉熵损失函数，L_H为Hinge Loss损失函数，w(t)为随着迭代时间的增加，线性增长或者降低的权重函数，最小值为0，最大值为1；Hinge Loss损失函数为：

其中，m为最大间隔，p为指数，N为样本总数，为任意样本，x_i为另一个不同的任意样本；

S5、采用基于步骤S3的网络结构得到分类结果，采用基于步骤S4的两个损失函数迭代优化整个网络，得到最优模型；

S6、将步骤S5中训练好的最优模型权重参数载入到基于步骤S3构造的DN4网络模型中，并依次读取所有测试集数据，预测测试集中图像的分类结果图，实现对全图的地物分类。

2.根据权利要求1所述的基于K-shot学习的极化SAR地物分类方法，其特征在于，步骤S1中，测试集中的样本共有C类，每类K个样本，训练集中样本类别为M，MK，每类样本个数为D，DC，选取stembeans，rapessed，bare soil，potatoes，beet，wheat2，peas，wheat3，lucerne，barley的样本作为训练数据，剩余的五类即wheat，grasses，forest，water，buildings划分为验证集合。

3.根据权利要求1所述的基于K-shot学习的极化SAR地物分类方法，其特征在于，步骤S2中，对经过Lee滤波的9维特征向量，即滤波后的T矩阵复制边界进行填充，而后逐像素有重叠地，以15×15的窗口大小进行切块，得到若干个尺寸为15×15×9的图像块。

4.根据权利要求3所述的基于K-shot学习的极化SAR地物分类方法，其特征在于，T矩阵为：

其中，T表示极化相干矩阵，H表示水平方向极化，V表示垂直方向极化，S_HH表示雷达水平发射水平接收的散射分量，S_VV表示雷达垂直发射垂直接收的散射分量，S_HV表示雷达水平发射垂直接收的散射分量，·表示按极化视数取平均值，|·|²表示取模的平方操作，(·)^*表示复数的共轭操作。

5.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。