[发明专利]基于门控多尺度匹配网络的SAR图像小样本目标识别方法

权利要求书

1.一种基于门控多尺度匹配网络的SAR图像小样本目标识别方法，其特征在于，该方法包括以下步骤：

S1从D_M中构建元训练集D_M-Train和元测试集D_M-Test，D_M为包含M种不同类型雷达目标数据集的集合：

S1.1构建元训练集D_M-Train并划分元训练集支撑集D_M-Train-s和元训练集质询集D_M-Train-q：

利用“N-way K-shot”的方法从D_M中采样得到划分好元训练集支撑集D_M-Train-s和元训练集质询集D_M-Train-q的元训练集D_M-Train，具体过程如下：

S1.1.1从D_M中随机挑选包含N种不同类型雷达目标的数据集，N≤M；

S1.1.2从选出的包含N种不同类型雷达目标的数据集中采样，每种雷达目标选取K个样本，选出的这N*K个样本构成元训练集的一个支撑集；

S1.1.3从包含N种不同类型雷达目标的数据集中随机选取不同于上述N*K个样本的P个样本，选出的这P个样本构成元训练集的一个质询集；

S1.1.4重复S1.1.1-S1.1.3m次，就可以得到划分好元训练集支撑集D_M-Train-s和元训练集质询集D_M-Train-q的元训练集D_M-Train；

S1.2构建元测试集D_M-Test并划分元测试集支撑集D_M-Test-s和元测试集质询集D_M-Test-q：

将包含在D_M中但是不包含在D_M-Train中的雷达目标数据集的集合记为D_H，假设D_H为包含H种不同类型雷达目标的数据集，H≥(M-N)；利用“N-way K-shot”方法从D_H中采样得到划分好元测试集支撑集D_M-Test-s和元测试集质询集D_M-Test-q的元测试集D_M-Test，具体过程如下：

S1.2.1从D_H中随机挑选包含N种不同类型雷达目标的数据集，N≤H；

S1.2.2从选出的包含N种不同类型雷达目标的数据集中采样，每种雷达目标选取K个样本，选出的这N*K个样本构成元测试集的一个支撑集；

S1.2.3从包含N种不同类型雷达目标的数据集中随机选取不同于上述N*K个样本的P个样本，选出的这P个样本构成元测试集的一个质询集；

S1.2.4重复S1.2.1-S1.2.3m次，就可以得到划分好元测试集支撑集D_M-Test-s和元测试集质询集D_M-Test-q的元测试集D_M-Test；

S2构建门控多尺度匹配网络；门控多尺度网络由五个模块构成，分别是基于CNN的特征提取模块、多尺度特征提取模块、权重门控单元、特征余弦相似度匹配模块和网络的输出模块，构建过程如下：

S2.1构建基于CNN的特征提取模块

CNN特征提取模块由多个卷积模块构成，每个模块依次连接，即上一个卷积模块的最后一层连接到下一个卷积模块的第一层，每个卷积模块由一个3*3的卷积层、一个修正线性单元、一个批归一化层和一个2*2的池化层构成；

S2.2构建多尺度特征提取模块

基于CNN的特征提取模块中的每一个卷积模块后连接一个多尺度特征提取模块；多尺度特征提取模块由两部分组成，分别是特征压缩模块和RoI池化模块：特征压缩模块由1*1的卷积层构成，用于减少数据量；RoI池化模块由一个9*9池化层构成，用于改变特征的空间形状；

S2.3构建权重门控单元

每一个多尺度特征提取模块后连接一个权重门控单元，权重门控单元由三部分构成，分别是一个1*1卷积层、2个全连接层和一个Sigmoid激活函数层，上述三部分依次连接，构成权重门控单元；

S2.4构建特征余弦相似度匹配模块

在训练时，特征余弦相似度匹配模块用于计算元训练集质询集D_M-Train-q中的样本特征与元训练集支撑集D_M-Train-s中每一个样本特征之间的余弦相似度；在测试时，特征余弦相似度匹配模块用于计算元测试集质询集D_M-Test-q中的样本特征与元测试集支撑集D_M-Test-s中每一个样本特征之间的余弦相似度，可利用公式(1)构造：

其中a,b表示n维特征向量，a_i,b_i分别表示特征向量a,b中的元素，c(a,b)表示特征向量的余弦相似度；

S2.5构建网络的输出模块

网络的输出模块由求向量最大值模块构成，用于求出质询集中与支撑集中的样本具有最高余弦相似度的样本，并输出该样本对应的标签，公式如下：

c_max＝max(c₁,c₂,...,c_T) (2)

其中，T表示支撑集中样本的数量，c₁,...,c_T分别表示质询集中的一个样本与支撑集中T个样本的余弦相似度，c_max表示c₁,...,c_T中的最大值，max表示求最大值函数；

S3训练门控多尺度匹配网络：

S3.1利用步骤S1.1得到的元训练集D_M-Train对S2构建的门控多尺度匹配网络进行训练，具体过程如下：

S3.1.1将元训练集支撑集D_M-Train-s中每种雷达目标的K个样本输入到基于CNN的特征提取模块，CNN特征提取模块中每个卷积模块对元训练集支撑集D_M-Train-s中每种雷达目标的K个样本进行特征提取；

S3.1.2将CNN特征提取模块中每个卷积模块提取出的特征分别输入多尺度特征提取模块；

S3.1.3每个卷积模块提取出的特征，在分别经过多尺度特征提取模块处理后，输入到权重门控单元，权重门控单元根据不同的识别任务对处理后的特征赋予不同的权重，从而实现根据特定的识别任务选择不同卷积模块的特征为主导完成对不同雷达目标的识别；

S3.1.4将赋予不同权重的特征按照每个卷积模块的连接顺序拼接起来作为融合特征，然后将每种雷达目标K个样本的融合特征进行求平均，作为每种雷达目标输入到余弦相似度匹配模块的特征；

S3.1.5重复S3.1.1-S3.1.4N次，得到元训练集支撑集D_M-Train-s中N种雷达目标的特征；

S3.2对元训练集质询集D_M-Train-q的每个样本进行S3.1中的操作，得到元训练集质询集D_M-Train-q中每个样本的特征；

S3.3将经过步骤S3.2处理后得到的元训练集质询集D_M-Train-q中每个样本的特征和S3.1处理后得到的元训练集支撑集D_M-Train-s中N种雷达目标的特征输入到特征余弦相似度匹配模块，求得元训练集质询集D_M-Train-q中每个样本的特征和元训练集支撑集D_M-Train-s中N种雷达目标的特征余弦相似度；

S3.4网络的输出模块通过式(2)求得S3.3得到的特征余弦相似度的最大值，输出余弦相似度最大值对应的元训练集支撑集D_M-Train-s中该种雷达目标的标签，作为模型对元训练集质询集D_M-Train-q中样本的预测标签；

S3.5通过交叉熵损失函数，求得模型对元训练集质询集D_M-Train-q中样本预测的标签y′和元训练集质询集D_M-Train-q中样本的真实标签y的损失函数值：

其中，P表示不同类型雷达目标的样本个数，L表示求得的损失函数值，(x,y)分别表示样本和其对应的真实标签，y′表示由网络模型输出的标签；

S3.6通过随机梯度下降算法，对门控多尺度匹配网络的权重和偏置参数θ进行优化，θ为需要通过迭代进行优化的参数，θ_t表示第t次迭代时θ的值；利用随机梯度下降算法，门控多尺度匹配网络的权重和偏置参数的更新公式如式(4)所示：

其中，θ_t+1和θ_t分别表示第t+1次迭代和第t次迭代门控多尺度网络的权重和偏置参数，η表示学习率，表示损失函数值的梯度信息；

S3.7重复S3.1至S3.6，直到门控多尺度匹配网络的权重和偏置参数θ收敛为止；

S4利用训练好的门控多尺度匹配网络对待识别目标进行识别：

S4.1利用经过步骤S3训练好的门控多尺度匹配网络对元测试集质询集D_M-Test-q的待识别目标进行识别，具体过程如下：

S4.1.1将元测试集支撑集D_M-Test-s中每种雷达目标的K个样本输入到基于CNN的特征提取模块，CNN特征提取模块中每个卷积模块对元测试集支撑集D_M-Test-s中每种雷达目标的K个样本进行特征提取；

S4.1.2将CNN特征提取模块中每个卷积模块提取出的特征分别输入多尺度特征提取模块；

S4.1.3每个卷积模块提取出的特征，在分别经过多尺度特征提取模块处理后，输入到权重门控单元，权重门控单元根据不同的识别任务对不同卷积模块的特征赋予不同的权重，从而实现根据特定的识别任务选择不同卷积模块的特征为主导完成对不同雷达目标的识别；

S4.1.4将赋予不同权重的特征按照每个卷积模块的连接顺序拼接起来作为融合特征，然后将每种雷达目标K个样本的融合特征进行求平均，作为每种雷达目标输入到余弦相似度匹配模块的特征；

S4.1.5重复S4.1.1-S4.1.4N次，得到元测试集支撑集D_M-Test-s中N种雷达目标的特征；

S4.2对元测试集质询集D_M-Test-q的每个样本进行S4.1中的操作，得到元测试集质询集D_M-Test-q中每个样本的特征；

S4.3将经过步骤S4.2处理后得到的元测试集质询集D_M-Test-q中每个样本的特征和经过步骤S4.1处理后得到的元测试集支撑集D_M-Test-s中N种雷达目标的特征输入到余弦相似度匹配模块，求得元测试集质询集D_M-Test-q中每个样本的特征和元测试集支撑集D_M-Test-s中N种雷达目标特征的余弦相似度；

S4.4网络的输出模块通过式(2)求得S4.3得到的最大值，输出余弦相似度最大值对应的元测试集支撑集D_M-Test-s中该种雷达目标的标签，作为模型对元测试集质询集D_M-Test-q中样本的预测标签；

S4.5重复步骤S4.1至S4.4直至模型对元测试集质询集D_M-Test-q中所有的待测样本识别完毕。