【技术实现步骤摘要】
本专利技术涉及雷达自动目标识别，具体说是一种基于设计的注意力多尺度特征融合网络（amffnet）和改进的辅助分类生成对抗网络（iacgan）的跨任务迁移sar目标识别方法。
技术介绍
1、合成孔径雷达（synthetic aperture radar，sar）自动目标识别（automatictarget tecognition，atr）技术在军事和国土安全应用中具有重要价值，如敌我辨识、战场监视和灾害救援等。与可见光和红外线等遥感技术相比，sar能够在各种地理地形中提供全天候成像，是提取目标信息的主要方法之一。
2、卷积神经网络（convolutional neural networks，cnn）在sar目标识别中的应用引发了对基于cnn的sar目标识别方法的广泛研究，并取得了良好的识别效果。然而，cnn的识别性能在很大程度上取决于训练样本，如果训练样本稀缺，模型就容易出现过拟合。为了缓解样本不足时的过拟合问题，现有方法中提出了一种识别模型，利用cnn进行特征提取，利用svm进行分类，该模型在移动和静止目标获取与识别数据集上取得了良好的效果。有的文献将形态成分分析（morphological component analysis，mca）用作cnn输入层的预处理步骤，以提高识别准确率。
3、数据增强被证明是解决sar图像中标记样本有限问题的有效方法。如有的文献应用了平移、添加噪声和姿态合成等方法对数据进行增强；有的文献通过裁剪、翻转和按比例批量处理来进行数据增强，从而使模型更快更好地收敛；文献han j,
4、迁移学习也是解决缺乏标注样本问题的有效方法，并且已被广泛的研究。大型场景图像被用来训练卷积自动编码器（auto-encoder，ae），然后用于sar目标识别。或者使用了在 imagnet 数据集上训练的vgg模型，并将其应用于 sar atr，然后利用 sar 数据对模型进行微调，以达到优化目的。或者采用对抗编码网络提取图像特征，并将编码后的特征输入分类器进行分类，在mstar数据集上取得了良好的识别精度。然而，虽然无监督生成网络可以提取合成孔径雷达图像的数据分布特征，但学习到的与分类相关的特征表示却相对有限。
5、但是，目前并没有有效的方法在少量训练样本的情况下仍然能够获得较好的识别性能，因此亟需设计具有强扩展性的数据增强方法，并且有效消除数据噪声的sar图像处理方法，以提高图像在小样本下的总识别率。
技术实现思路
1、为解决上述问题，本专利技术的目的是提供一种基于amffnet和iacgan双网络的跨任务迁移sar目标识别方法。
2、本专利技术为实现上述目的，通过以下技术方案实现：
3、一种基于amffnet和iacgan双网络的跨任务迁移sar目标识别方法，包括以下步骤：
4、①使用yoct方法构建数据集，对训练样本进行数据增强，以扩充样本并增加样本多样性；
5、所述yoct方法构建数据集，首先将单幅图像切两刀分成四幅子图像，然后对四幅子图像进行不同程度的增强，最后合并成一幅更具多样化的增强图像；
6、②使用训练样本对改进的辅助分类生成对抗网络iacgan进行监督训练，并获得iacgan鉴别器的权重参数；
7、③使用iacgan鉴别器的权重参数来初始化设计的注意力多尺度特征融合网络amffnet的部分参数，并使用训练样本对amffnet进行微调；
8、④使用微调后的amffnet进行sar目标识别。
9、优选的，步骤①使用yoct方法构建数据集为基于随机翻转和颜色抖动的yoct方法，包含垂直切割和水平切割两个步骤，具体的：
10、首先，将sar图像垂直切割成左右两个大小相等的图像部分，为了保持目标在中心位置，对左右两个图像部分分别进行随机垂直翻转，并为每个子图像应用不同程度的颜色抖动，处理后，两个子图像合并成一张完整的图像；
11、然后，先前合并的图像再一次在水平方向上被切割成上下两个大小相等的子图像，类似地，为了保持目标在中心位置，对上下两个子图像分别进行随机水平翻转，并为每个子图像应用不同程度的颜色抖动；
12、最后，两个子图像再次合并成一张完整的图像，完成数据增强过程。
13、优选的，步骤①使用yoct方法构建数据集为基于mixup的yoct方法，具体的：
14、首先将sar图像均匀地切分成四个大小相等的子图像，然后，从训练批次中随机选择一张sar图像，并将四个切割的子图像分别与随机选择的sar图像通过mixup进行混合，所提出方法得到的混合样本的计算公式如下：
15、，
16、，
17、其中，，是四个切割的子图像，是随机选择的sar图像，是插值参数，用于控制插值过程中和的权重，是一个随机数；是指得到的四个进行平均后的平均数；生成的新样本及其标签表示为：
18、，
19、其中，是用于在高度和宽度维度上进行图像拼接的操作，分别是的标签，四个子图像和随机选择的 sar 图像通过mixup进行混合，得到，最终的损失值由以下公式给出：
20、，
21、其中，是交叉熵损失函数，是网络的最终输出。
22、优选的，步骤②包括以下步骤：
23、将潜在向量和标签的组合输入生成器，输出带有输入类别标签的伪sar图像，在训练生成器时，鉴别器保持其网络参数固定，
24、目标函数由两部分组成：真假鉴别损失和分类损失；
25、表示为：，
26、其中，表示给定输入图像时鉴别器的概率分布，是指给定的真实图像，是指生成器生成的图像。是指期望值， real是指真实图片数据， fake是指生成图片数据；
27、表示为：，
28、其中，表示给定图像时鉴别器对图像的类别标签的概率分布，c为输入图像的类别，生成器的损失表示为：，
29、生成器的训练目标是最大化，即使生成的数据更加逼真，并同时最大化其被正确分类的概率；
30、（2b）本文档来自技高网...
【技术保护点】
1.一种基于AMFFNet和IACGAN双网络的跨任务迁移SAR目标识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于AMFFNet和IACGAN双网络的跨任务迁移SAR目标识别方法，其特征在于：步骤①使用YOCT方法构建数据集为基于随机翻转和颜色抖动的YOCT方法，包含垂直切割和水平切割两个步骤，具体的：
3.根据权利要求1所述的基于AMFFNet和IACGAN双网络的跨任务迁移SAR目标识别方法，其特征在于：步骤①使用YOCT方法构建数据集为基于mixup的YOCT方法，具体的：
4.根据权利要求1所述的基于AMFFNet和IACGAN双网络的跨任务迁移SAR目标识别方法，其特征在于：步骤②包括以下步骤：
5.根据权利要求1所述的基于AMFFNet和IACGAN双网络的跨任务迁移SAR目标识别方法，其特征在于：步骤③包括以下步骤：
6.根据权利要求1所述的基于AMFFNet和IACGAN双网络的跨任务迁移SAR目标识别方法，其特征在于：步骤③所述使用训练样本对AMFFNet进行微调中AMFFNet的模
7.根据权利要求1所述的基于AMFFNet和IACGAN双网络的跨任务迁移SAR目标识别方法，其特征在于：步骤③所述使用训练样本对AMFFNet进行微调中AMFFNet的模块为多分支融合模块，具体的：
8.根据权利要求1所述的基于AMFFNet和IACGAN双网络的跨任务迁移SAR目标识别方法，其特征在于：步骤④使用微调后的AMFFNet进行SAR目标识别的具体步骤为：
...【技术特征摘要】
1.一种基于amffnet和iacgan双网络的跨任务迁移sar目标识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于amffnet和iacgan双网络的跨任务迁移sar目标识别方法，其特征在于：步骤①使用yoct方法构建数据集为基于随机翻转和颜色抖动的yoct方法，包含垂直切割和水平切割两个步骤，具体的：
3.根据权利要求1所述的基于amffnet和iacgan双网络的跨任务迁移sar目标识别方法，其特征在于：步骤①使用yoct方法构建数据集为基于mixup的yoct方法，具体的：
4.根据权利要求1所述的基于amffnet和iacgan双网络的跨任务迁移sar目标识别方法，其特征在于：步骤②包括以下步骤：
5.根据权利要求1所述的基于amf...
【专利技术属性】
技术研发人员：杜晓林，万训杨，刘珅砚，唐梦皎，李洪高，
申请(专利权)人：烟台大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。