[发明专利]基于加权距离的SAR图像小样本识别方法及装置

权利要求书

1.一种基于加权距离的SAR图像小样本识别方法，其特征在于，包括：

S1、获取SAR图像小样本数据，将所述SAR图像小样本数据分为训练集和测试集；

S2、基于预定的迭代次数通过训练集对预先设置的特征提取网络进行迭代训练，从而获取训练好的特征提取网络，所述每次迭代训练中都通过预先设置的损失函数对所述特征提取网络中的参数进行更新，其中，所述预先设置的特征提取网络中加入了通道注意力机制及多尺度特征融合结构；

S3、将所述测试集输入训练好的特征提取网络，获取识别结果。

2.根据权利要求1所述的方法，其特征在于，步骤S2中所述基于预定的迭代次数通过训练集对预先设置的特征提取网络进行迭代训练，具体包括：

S21.将所述训练集划分为训练支撑集和训练查询集；

S22.通过预先设置的特征提取网络对所述训练支撑集进行特征提取，并对所述训练支撑集的同类别样本进行平均值运算，获取类别原型，通过预先设置的特征提取网络对所述查询集进行特征提取，获取查询集特征向量；

S23.计算所述查询集特征向量和各个所述类别原型的欧氏距离；

S24.通过权重生成器计算所述查询集特征向量和各个所述类别原型之间的权重，并将所述权重与所述类别原型的欧式距离相乘，获取加权欧式距离，其中，所述权重生成器为一个多层可学习神经网络，在训练中不断更新参数以生成最合适的权重值，从而获取训练好的权重生成器；

S25.通过分类器对所述加权欧式距离进行分类，获取分类结果；

S26.通过所述损失函数对所述基于加权距离的SAR图像小样本识别模型的参数进行优化；

S27.判断迭代次数是否达到所述预定的迭代次数，若没有达到所述预定的迭代次数，则重复执行步骤S21至步骤S26，若达到所述预定的迭代次数，则训练结束。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2中的预先设置的特征提取网络的构建步骤具体包括：

S31.构建卷积神经网络，通过所述卷积神经网络得到特征图，所述卷积神经网络包括：二维卷积层、降采样层、批量归一化层以及非线性激活函数；

S32.对所述特征图加入通道注意力机制进行处理，得到注意力值，所述通道注意力机制处理过程包括：

通过全局平均池化操作，对所述特征图的单个通道中的空间特征进行压缩，得到一个全局特征描述符S_c：

其中，H、W分别代表特征图的长和宽，f_c表示输入特征图，i表示水平方向第i个像素点，j表示垂直方向第j个像素点；

通过两个全连接层获取所述特征图中不同通道之间的关系，对各个通道的重要性进行预测，之后使用Sigmoid激活函数对其处理得到注意力值U，

U＝Sigmoid(FC₂(ReLU(FC₁(S))) 公式2；

其中，FC₁(·)和FC₂(·)分别表示前后两个全连接层，S＝[s₁,s₂,…,s_C]∈R^C×1×1，ReLU(·)表示ReLU激活函数，Sigmoid(·)代表Sigmoid激活函数，得到的U即为注意力值，最后将注意力值与原始特征F_l进行向量按元素相乘，得到通道注意力优化后的特征图F_al；

S33.对所述通道注意力优化后的特征图进行多尺度特征融合，具体包括：

从所述卷积神经网络的末端，具有最低分辨率的特征图开始进行上采样，将上采样和经过所述通道注意力机制处理之后得到的特征图与相邻的具有特定分辨率的特征图进行加法操作；

对所述多尺度融合后的特征使用调整块进行处理，所述调整块由三部分组成：1×1卷积、RELU函数和全局平均池化层，经过调整块输出的特征作为特征提取网络的输出。