[发明专利]基于对比学习的地面目标SAR图像鲁棒识别方法及装置

权利要求书

1.一种基于对比学习的地面目标SAR图像鲁棒识别方法，其特征在于，所述方法包括：

获取待识别的雷达目标二维图像；

对所述雷达目标二维图像进行灰度增强，得到SAR灰度图像；

将所述SAR灰度图像划分为训练集和测试集，对所述训练集进行随机数据增强和归一化处理，得到同一样本的不同正例样本；

构建鲁棒识别模型；所述鲁棒识别模型包括双层卷积、胶囊网络和对比学习模块；

利用所述不同正例样本对所述鲁棒识别模型进行训练，得到训练好的鲁棒识别模型；

根据所述训练好的鲁棒识别模型对所述测试集进行识别，得到识别结果。

2.根据权利要求1所述的方法，其特征在于，所述胶囊网络包括初始胶囊层和路由胶囊层；利用所述不同正例样本对所述鲁棒识别模型进行训练，得到训练好的鲁棒识别模型，包括：

利用所述双层卷积对所述不同正例样本进行目标信息提取，得到多尺度目标特征；

将所述多尺度目标特征输入所述胶囊网络进行特征转换，得到空间特征；所述空间特征为正例特征；

根据所述对比学习模块的投影层与预测层对所述空间特征进行正例特征计算，得到不对称的正例特征；利用不对称的正例特征构建对比学习损失函数；

利用所述对比学习损失函数和胶囊网络的损失函数对所述鲁棒识别模型进行训练，得到训练好的鲁棒识别模型。

3.根据权利要求2所述的方法，将所述多尺度目标特征输入所述胶囊网络进行特征转换，得到空间特征，包括:

将所述多尺度目标特征输入所述胶囊网络进行特征转换，得到空间特征为

其中，u_i表示初始胶囊层输出向量，W_ij表示权重矩阵，表示路由胶囊层的预测向量，c_ij表示耦合系数，由动态路由算法确定取值，s_j表示路由胶囊层的预测向量加权和，v_j为路由胶囊层的输出分类向量，所述输出分类向量为空间特征。

4.根据权利要求3所述的方法，所述胶囊网络的损失函数为

L_j＝T_jmax(0,m⁺-||v_j||)²+λ(1-T_j)max(0,||v_j||-m^-)²

其中，m⁺＝0.9表示真阳性下界，m^-＝0.1表示真阴性上界，λ＝0.5表示比例系数，L_m表示胶囊网络的损失函数，L_j表示第j类的损失，T_j表示指示函数，T_j＝1仅当为第j类。

5.根据权利要求2所述的方法，所述对比学习损失函数为

其中，z表示投影层输出特征，h表示预测层输出特征，D(h₁,z₂)表示正例特征h₁和正例特征z₂的相似性。

6.根据权利要求1所述的方法，其特征在于，对所述雷达目标二维图像进行灰度增强，得到SAR灰度图像，包括：

对所述雷达目标二维图像进行灰度增强，得到SAR灰度图像为

其中，I表示雷达目标二维图像的灰度值，O表示SAR灰度图像的灰度值，I_{min_count}表示雷达目标二维图像出现次数最少的灰度值，I_{max_count}表示雷达目标二维图像出现次数最多的灰度值。