【技术实现步骤摘要】
本专利技术属于目标识别，具体涉及基于上下文感知和高斯流表征的sar图像小样本目标检测系统及方法。
技术介绍
1、近十年来，随着计算机硬件算力和存储能力的大幅提升，使得深度神经网络得到的快速发展，推动了目标检测与识别领域的技术变革。前期主要是一些通过先生成目标候选区域然后再进行精细化的分类与回归任务的两阶段检测器。两阶段检测器通过由粗糙到精细处理方式，获得了具有良好的检测识别精度，但同时存在网络结构复杂、运行效率低下和实时性不足。为了应用于实时场景中，研究者舍弃生成目标候选区域的方式，改为直接预测目标框和目标类别的单阶段检测器。除了上述两种主流的检测器外，还有去除了预先设置锚框尺寸而降低模型复杂度的无锚框检测器。受益于在自然场景下优秀的检测识别性能，这些通用检测器也被研究者应用于复杂的sar场景下，涌现了诸多改良工作。然而，现有的检测模型都是以数据驱动为核心而设计的，模型的检测精度严重依赖于标注的样本数量。当标注的样本数据量不够时，模型会因稀疏的标注样本无法拟合深度神经网络的高维函数而陷入过拟合状态。
2、受人类能从极少数量的样本中识别出一个新物体的启发，研究者希望机器学习模型也具备快速学习能力，因此小样本学习应运而生。小样本学习是通过预先学习基础类别的海量数据，从而提取一些类别无关的先验知识并将其迁移到极少数量的新类别的识别任务上，解决了模型因训练样本数量较少而带来的过拟合问题。当前小样本学习主要用于计算机视觉领域的分类任务，并取得了许多突破性的结果。受益于对自然场景中优秀的识别性能，这些小样本学习也被研究者应用于复
3、小样本目标检测：小样本目标检测技术因具有在少量标注样本条件下实现对新类的快速识别能力而成为热门研究方向。目前主要分为基于度量学习、迁移学习和元学习的研究：1）基于度量学习的小样本目标检测。该检测方法采用学习比较类别相似度的思想，实现了对稀疏标注的新类目标良好的分类性能。检测器先获取待检测目标的特征，并将其与支持图像特征映射至一个潜在特征空间中，通过类原型相似度距离度量的方式实现对目标的分类和检测。这类检测器的模型结构较为简单，且容易增添加新的类别，但是存在对新类别的目标定位精度较差的问题。2）基于迁移学习的小样本目标检测。迁移学习方法又称为微调方法，核心思想是先在丰富标注的基础类数据上进行预训练，然后通过冻结训练后的模型的部分参数实现在稀疏的新类数据迁移学习。tfa首次通过在faster r-cnn架构上增加一个余弦分类器和只微调检测器的最后一层，达到了对新类数据取得了不错检测识别效果。fsce在tfa的架构上通过引入一个对比学习分支来降低不同类别目标之间的相似性，提升了模型对新类的检测识别精度。defrcn通过设计一个梯度解耦模块gdl和一个原型校准模块pcb，缓解了faster r-cnn架构应用于稀疏的数据场景所产生的潜在矛盾。ssr-fsd结合类别之间语义关系和视觉信息，通过将类关系推理引入检测模型中，实现了在稀疏的新类数据上检测识别精度的提升。这类检测器的核心是以数据驱动的训练策略，具有学习策略简单且检测精度相对较高的优势，但是微调的方式使得模型易出现域偏移的问题。3）基于元学习的小样本目标检测。元学习方法是小样本学习领域的一种主流的方法，其核心思想是通过模拟小样本任务为单元进行模型训练，在训练后的参数基础上仅需极少的数据进行少量迭代即可快速泛化至新任务。fsrw在单阶段检测框架中加入元特征提取器和重加权模块，通过支持元特征和查询特征的重新加权实现了对新类目标的检测识别。meta r-cnn通过增加一个共享主干网络参数的分支来得到支持类别的类原型向量，接着将每个向量与查询图像的特征进行融合，进而实现对查询图像中目标的检测。fsdetview聚焦于支持与查询特征深度融合部分，通过将原始的点积聚合的方式改为一种新的混合方式，提升了对新类的识别精度。
4、然而，上述模型大多针对自然场景而设计，将其引入超远距离观测的遥感领域时，尤其应用在复杂且稀疏场景的sar图像上，模型的检测识别性能大打折扣。
技术实现思路
1、本专利技术旨在解决现有技术的不足，提供了如下方案：
2、基于上下文感知和高斯流表征的sar图像小样本目标检测系统，包括：图像采集模块、上下文感知增强模块、流形类分布估计模块、类平衡差分聚合模块和余弦解耦模块；
3、所述图像采集模块用于获取待查询sar图像；
4、所述上下文感知增强模块将最具语义信息代表的支持特征提炼为支持类原型，并基于所述支持类原型增强所述待查询sar图像的查询特征，得到原始查询特征；
5、所述流形类分布估计模块利用归一化流式的变分自动编码器将所述支持特征转换为复杂的类分布；
6、所述类平衡差分聚合模块基于所述类分布将不同类别的所述原始查询特征和所述支持特征进行深度语义特征聚合，学习类与类之间的特征表示，得到聚合后查询特征；
7、所述余弦解耦模块利用一个经过特征归一化、余弦相似度量和可学习缩放因子处理的分类分支处理所述原始查询特征和所述聚合后查询特征，得到目标识别结果。
8、优选的，所述上下文感知增强模块的工作流程包括：
9、在最具语义信息代表的所述支持特征的子空间中，假设一个支持特征，并对所述支持特征进行全局平均池化操作，得到全局特征查询矩阵q：
10、，
11、其中，gap( )表示全局平均池化，表示实数空间，d表示特征维度；
12、通过一个线性层将所述支持特征投影至查询键空间，并生成键矩阵k：
13、，
14、其中，表示线性层的权重矩阵，，h表示特征的高度，w表示特征的宽度，k表示变化后特征的期望维度；
15、对所述所述支持特征应用一个卷积核大小为1的卷积层，得到值矩阵v：
16、，
17、其中，conv1×1( )表示卷积核大小为1的卷积操作；
18、基于所述全局特征查询矩阵q、所述键矩阵k和所述值矩阵v提炼为支持类原型c：
19、，
20、其中，softmax( )表示归一化指数函数，t表示矩阵的转置运算操作；
21、给定查询特征，基于所述支持类原型c得到亲和矩阵a：
22、，
23、其中，表示和c的共享线性投影；
24、基于所述亲和矩阵a增强所述待查询sar图像的查询特征，得到原始查询特征：
25、，
26、其中，α表示可学习的参数。
27、优选的，所述流形类分布估计模块的工作流程包括：
28、对支持图片集经过特征提取得到支持特征集，其中，是相互独立的特征变量；
29、将所述支持特征集经过编码器映射值潜在空间中，得到支持类分布的均值μ和方差σ本文档来自技高网...
【技术保护点】
1.基于上下文感知和高斯流表征的SAR图像小样本目标检测系统，其特征在于，包括：图像采集模块、上下文感知增强模块、流形类分布估计模块、类平衡差分聚合模块和余弦解耦模块；
2.根据权利要求1所述基于上下文感知和高斯流表征的SAR图像小样本目标检测系统，其特征在于，所述上下文感知增强模块的工作流程包括：
3.根据权利要求2所述基于上下文感知和高斯流表征的SAR图像小样本目标检测系统，其特征在于，所述流形类分布估计模块的工作流程包括：
4.根据权利要求3所述基于上下文感知和高斯流表征的SAR图像小样本目标检测系统，其特征在于，所述类平衡差分聚合模块的工作流程包括：
5.根据权利要求4所述基于上下文感知和高斯流表征的SAR图像小样本目标检测系统，其特征在于，所述余弦解耦模块的工作流程包括：
6.基于上下文感知和高斯流表征的SAR图像小样本目标检测方法，所述方法应用于权利要求1-5任一项所述的系统，其特征在于，包括以下步骤：
7.根据权利要求6所述基于上下文感知和高斯流表征的SAR图像小样本目标检测方法，其特征在于，所
8.根据权利要求7所述基于上下文感知和高斯流表征的SAR图像小样本目标检测方法，其特征在于，所述S3包括：
9.根据权利要求8所述基于上下文感知和高斯流表征的SAR图像小样本目标检测方法，其特征在于，所述S4包括：
10.根据权利要求9所述基于上下文感知和高斯流表征的SAR图像小样本目标检测方法，其特征在于，所述S5包括：
...【技术特征摘要】
1.基于上下文感知和高斯流表征的sar图像小样本目标检测系统，其特征在于，包括：图像采集模块、上下文感知增强模块、流形类分布估计模块、类平衡差分聚合模块和余弦解耦模块；
2.根据权利要求1所述基于上下文感知和高斯流表征的sar图像小样本目标检测系统，其特征在于，所述上下文感知增强模块的工作流程包括：
3.根据权利要求2所述基于上下文感知和高斯流表征的sar图像小样本目标检测系统，其特征在于，所述流形类分布估计模块的工作流程包括：
4.根据权利要求3所述基于上下文感知和高斯流表征的sar图像小样本目标检测系统，其特征在于，所述类平衡差分聚合模块的工作流程包括：
5.根据权利要求4所述基于上下文感知和高斯流表征的sar图像小样本目标...
【专利技术属性】
技术研发人员：陈杰，赵坡，张朝琛，万辉耀，李倩，黄志祥，李迎松，孙龙，邬伯才，许涛，
申请(专利权)人：安徽大学，
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。