[发明专利]基于CAE与HL-CNN的小样本SAR目标识别方法

说明书

本发明涉及基于CAE与HL‑CNN的小样本SAR目标识别方法，属于基于深度学习的模式识别以及雷达目标识别技术领域。所述小样本SAR目标识别方法，采用迁移学习方法将CAE特征表示学习网络与非贪婪的HL‑CNN分类网络结合起来；CAE特征表示学习网络通过重构训练集中的图像，得到一个完备的特征表示，防止非贪婪的分类网络因特征提取不足而导致分类性能下降，HL‑CNN分类网络采用基于最大类间间距的hinge loss分类器对CAE学习到的特征表示微调并得到分类网络，有效防止过拟合现象的发生。所述方法防止了小样本下的过拟合现象，在较少训练样本下获得了相比A‑ConvNet和传统CNN更高的测试精度。

技术领域

本发明涉及基于CAE与HL-CNN的小样本SAR目标识别方法，属于基于深度学习的模式识别以及雷达目标识别技术领域。

背景技术

SAR目标识别是雷达高分辨图像解译的一项重要课题，在民用和军事领域均有良好的应用价值。经典的SAR目标识别实现主要包括特征提取和分类两个步骤。在传统的研究中，特征经手工提取，然后输入到设计的分类器中进行分类。但手工提取特征依赖于大量的专业知识和经验，使得分类效果难以保证。CNN是模式识别领域一种典型的深度学习结构，在图像分类和语音识别领域获得了优异的性能。与传统的SAR目标识别技术不同，CNN不需要特定领域的知识，而是自动分层提取特征。近年来，研究人员将CNN用于SAR目标识别，提出了一系列基于CNN的SAR目标识别方法，取得了一定成果。然而，大多数基于CNN的模型都是数据驱动的，由于SAR图像数据相比光学图像数据难以获取且相对昂贵，当训练数据不足时，会发生严重的过拟合现象，使得分类精度降低。

针对上述问题，研究人员已经做了一些工作，但还存在一些问题，其中，两个主要的发现促使提出本发明的小样本SAR图像目标识别方法：

第一，现有基于CNN的小样本SAR图像目标识别方法主要基于三种思路，即:数据扩充、网络参数压缩、分类器改进，但是，其中只有极少文献讨论了进一步减少训练样本时的识别性能。

第二，经典CNN中使用softmax等贪婪分类器也是导致过拟合的一个因素，虽然已有方法使用了基于最大类间间距准则对CNN的分类器进行了改进，如结合SVM分类器对CNN进行改进，但是，直接使用这类非贪婪的分类器改进CNN又会造成网络特征提取不足以及难以训练的问题，最终导致识别性能下降。

因此，通过平衡卷积神经网络的贪婪性，解决小样本下基于CNN的SAR图像目标识别过拟合的问题具有重要意义。

发明内容

本发明的目的是为了解决基于CNN模型用于SAR图像目标识别时，由于训练样本较少时引起的识别精度下降的问题，提出了一种基于CAE与HL-CNN的小样本SAR目标识别方法。

所述小样本SAR目标识别方法，包含两个网络的构建与训练，分别为CAE特征表示学习网络与HL-CNN分类网络；

其中，CAE，即卷积自编码器，英文全称为Convolutional Auto-encoder；HL-CNN，英文全称为hinge loss CNN；CNN，即卷积神经网络，英文全称为Convolutional NeuralNetwork；SAR，即合成孔径雷达，英文全称为Synthetic Aperture Radar；

CAE特征表示学习网络通过重构训练集中的图像自动学习图像的特征，得到一个完备的特征表示，防止使用非贪婪的分类网络时因特征提取不足而导致分类性能下降的问题；

HL-CNN分类网络采用一种基于最大类间间距准则的非贪婪分类器对CAE特征表示学习网络学习到的特征表示微调并得到分类网络，能有效防止过拟合现象的发生；

其中，CAE特征表示学习网络重构图像自动学习图像的特征即通过优化目标h_w(x)≈(x)学习x的特征表示，式中，h表示重构函数，x为给定的一个输入图像，下标w表示网络的权值；