[发明专利]一种基于全局注意力关系网络的小样本船舶目标识别方法

权利要求书

1.一种基于全局注意力关系网络的小样本船舶目标识别方法，其特征是：包括以下步骤：

S1:使用Meta-Learning数据划分方式生成小样本任务集，并进行模型加载及训练；

S2:搭建跨目标全局注意力机制模型；

S3:搭建基于跨目标全局注意力机制的RN网络结构；

S4:使用Cosine距离度量样本特征相似度，并对距离长度进行比较目标样本特征；

S5:使用训练优化方法训练网络。

2.根据权利要求1所述的一种基于全局注意力关系网络的小样本船舶目标识别方法，其特征是：所述步骤S1包括以下步骤：

S1.1:将数据集训练划分为三个数据集：训练集，支持集和测试集。支持集和测试集共享相同的标签空间，但是训练集具有自己的标签空间，该标签空间与支持/测试集不相交；

S1.2:训练时在每次训练迭代中，通过从训练集中随机选择C个类别(其中每个类别有K个标记样本)来形成每个训练任务；

S1.3:每个训练任务的样本集合分为：

支持集：S＝{(x_i,y_i)},m_i＝1,m＝k×C；

查询集：Q＝{(x_i,y_i)},n_j＝1；

式中，C类样本的其余部分为未标记的样本。

3.根据权利要求2所述的一种基于全局注意力关系网络的小样本船舶目标识别方法，其特征是：所述步骤S2包括以下步骤：

S2.1:对特征提取f进行两支路卷积操作；

S2.2:对两支路卷积后特征相加后进行softmax平滑：

N＝softmax(a+b)；

式中，a为一支路输出，b为二支路输出；

S2.3:对平滑后的特征图像与特征提取f进行相减后传入FC层进行融合：

I＝Wg*f+bg；

式中f∈R^w×h×C，w、h、c分别表示宽度、高度和通道数，A＝{α_i∈R^c,i＝1,...,D}，w_g∈R^1×1×C×D和bg∈R^D是卷积的参数。V∈R^D×C表示输出描述符。f_j-α_i表示残差操作。