[发明专利]一种基于样例选择的增量目标识别方法

说明书

本发明属于自动目标识别技术领域，具体涉及一种基于样例选择的增量目标识别方法。本发明提出了一种基于局部几何的类边界样本选择方法，并应用于雷达图像自动目标识别的类别增量学习场景中。提出方法能够在数据、类别增量过程中，不仅高效添加新的识别性能，也能够有效保护已有类别的识别能力，提升增量训练的计算和数据整合效率，解决大规模训练数据的高效利用问题。

技术领域

本发明属于目标识别技术领域，具体涉及一种基于样例选择的增量目标识别方法。

背景技术

目标识别利用遥感传感器获取的图像信息实现目标种类、型号等属性的判定，在战场侦察、精确打击等军事领域有明确的应用需求。监督学习从已有的标记训练样本训练分类器，对未知样本目标类型进行判断，是目前目标识别领域的主流方法。

监督学习的性能和训练样本的完备程度密切相关。随着训练数据的不断获取与丰富，目标样本的数量和类型也逐渐增加。增量式的目标识别方法仅使用新增数据对已有识别模型进行局部快速更新，避免了对已有数据和类别的重复存储和训练。然而，如果完全脱离已有训练样本，将会造成前期训练样本形成的识别能力的损失。

解决这一问题的途径之一就是在数据增量过程中筛选部分关键样例，仅使用代表性示例代替全部的数据分布参与增量模型构建，可以保证更新效率与质量。近年来，在机器学习，计算机视觉领域，提出了很多用于增量式目标识别的样例选择的方法，主要分为两个方面：(1)基于已有模型输出的样例选择方法，对一些模型的输出指标进行计算评估可以选择关键样例，如分类概率自信度，决策熵，到分类面距离等；(2)基于数据分布的样例选择方法，建立一定的数据分布挑选规则来挑选样本，如随机选择，利用数据均值扩散选择，利用聚类结构选择等。现有的增量目标识别方法在模型训练过程中，样本数据的优选问题尚未得到足够重视，随着数据规模的逐渐扩大，开展增量目标识别中样例选择方法的研究，能够显著提高数据的有效利用率，实现数据增量过程中有效训练集的快速整合。

当数据不断获取时，识别性能降低的根本原因是数据分布的变化。新增数据与之前的数据分布不同，造成更新后的模型拟合更偏向于新数据，已有训练数据对应的识别能力下降。基于模型输出的样例选择过于依赖当下数据分布对应的模型，无法从根本上选择到关键的数据分布。因此本文更关注基于数据分布的样例选择方法。类别增量是增量学习的典型场景，当已有类别训练完备时，新类别的加入会导致模型更偏向于新类的判决，已有类别和全局分类性能大幅下降。提取已有类别的关键分布信息，可以在数据增量过程中保留已有类别样本的识别能力，提升增量训练的计算和数据整合效率，解决大规模训练数据的高效利用问题。因此，研究优秀的类别关键样例提取方法，让目标识别系统在数据类别不断增加的过程中，不仅能够高效添加新的识别性能，也能够有效保护已有识别能力，是增量目标识别技术面向实用化的关键。

发明内容

本发明的目的，就是针对上述存在的问题及不足，为了克服增量目标识别方法在学习新数据时，已有数据对应的识别性能下降的缺陷，使自动目标识别系统具备对已有训练样本关键分布的提取能力，提供了一种基于样例选择的增量目标识别方法。

本发明由以下步骤实现，首先对于已有训练样本集，选择每个类别的边界样例(步骤1-7)，在之后的类别逐渐增加过程中，当添加新类别的训练样本训练识别模型时，已有类别只使用选择的边界样例即可(步骤8)。详细步骤包括：

步骤1、首先构建每个样本与类内其他样本的空间几何关系，对于一个训练样本x_i，通过与类内其他样本距离的计算，得到它的类内最近邻的k个样本{x_ij,j＝1,…,k}。

此过程的训练样本x指的是已经完成特征提取的特征空间的训练样本而不是原始图像数据，距离的计算采用欧式距离计算方式。

步骤2、为了评估训练样本x_i在整个类别分布中的密度梯度方向，计算以x_i为起点的最近邻的k个样本的方向向量{v_ij,j＝1,…,k}：