[发明专利]基于前向特征兼容的小样本目标识别方法

说明书

本申请实施例涉及图像处理技术领域，特别涉及一种基于前向特征兼容的小样本目标识别方法，包括：构建广义小样本学习算法的学习任务；构造满足基于马氏距离的线性判别分类器鲁棒性最大的前向类别可兼容原型向量；构造可将样本映射为符合最大化马氏距离分布的隐特征的深度神经网络；训练分类子网络；识别目标图像。本申请实施例提供一种基于前向特征兼容的小样本目标识别方法，解决自动目标识别方法中存在的测试阶段有标签样本受限导致的分类器鲁棒性弱、样本非均衡时分类准确性低以及无法对新增类别进行分类的问题。

技术领域

本申请实施例涉及图像处理技术领域，特别涉及一种基于前向特征兼容的小样本目标识 别方法。

背景技术

在目标识别过程类任务中，大多数目标都比较复杂，人类肉眼识别有挑战性且低效。因 此近些年自动目标识别得到了广泛的关注，多种方法被相继提出用于解决该问题。

目前，自动目标识别的主要思想是通过建立深度神经网络提取目标图像的特征，然后通 过多种方法对特征进行分类，以此达到对目标自动识别的目的。如利用多视角深度学习框架 对姿态敏感的图像进行训练；在相位信息的帮助下，利用复杂的卷积神经网络(Convolutional Neural Networks，CNN)训练图像模型；利用校正的自动编码器以及平均轮 廓做正则化提取高分辨率距离像(High Resolution Range Profile，HRRP)目标特征；利用卷 积神经网络和循环神经网络分别建模空间和时间的相关性等方法。

然而，现有的自动目标识别的方法，通常存在有标签样本受限导致过拟合的问题，且传 统的小样本学习算法还存在无法在测试阶段对基础类进行分类、分类器鲁棒性弱以及样本类 别不均衡时分类准确率低的问题。

发明内容

本申请实施例提供一种基于前向特征兼容的小样本目标识别方法，解决自动目标识别方 法中存在的测试阶段有标签样本受限导致的分类器鲁棒性弱、样本非均衡时分类准确性低以 及无法对新增类别进行分类的问题。

为解决上述技术问题，本申请实施例提供一种基于前向特征兼容的小样本目标识别方 法，包括：构建广义小样本学习算法的学习任务；构造分类器鲁棒性前向类别可兼容原型向 量的限值；构造用于将样本映射为符合最大化马氏距离分布的隐特征的深度神经网络；训练 分类子网络；基于所述深度神经网络和所述训练分类子网络，识别目标图像数据。

一些示例性实施例中，所述构造分类器鲁棒性前向类别可兼容原型向量的限值，包括： 提出关于p维随机变量及其标签分布的假设；对所述p维随机变量进行正规化处理，对处理 后的p维随机变量提出关于处理后的p维随机变量及其标签分布的假设；定义不同类别的普 通样本在决策边界上的对抗样本，采用马氏距离描述普通样本和对抗样本的距离的期望，并 采用所述期望衡量分类器的局部鲁棒性；定义所述局部鲁棒性的的近似值；计算所述局部鲁 棒性的的近似值的上界；构造满足所述上界的前向可兼容的类级原型向量，获取分类器鲁棒 性前向类别可兼容原型向量的限值。

一些示例性实施例中，所述定义不同类别的普通样本在决策边界上的对抗样本，如下式 所示：

y(x_(i))＝i,y(x^*_(i,j))＝j

其中，x_(i)为普通样本，x^*_(i,j)为在决策边界上的对抗样本，y(.)代表预测器的预测结 果，i,j分别为设定的两个高斯分量。

一些示例性实施例中，所述定义不同类别的普通样本在决策边界上的对抗样本，如下式 所示：

y(x_(i))＝j,y(x^*_(i,j))＝i