[发明专利]有限样本下属性引导的SAR图像生成方法

权利要求书

1.一种有限样本下属性引导的SAR图像生成方法，其特征在于，构建一个由属性引导的生成对抗网络，在训练集中目标域数据集的样本数量有限的情况下训练属性引导的生成对抗网络，该方法的具体步骤如下：

(1)构建训练集：

(1a)提取包含M个类别的带有目标方位角度信息的SAR图像组成目标域数据集，每个类别的SAR图像数量均为K；提取包含N个类别的带有目标方位角度信息的SAR图像组成源域数据集，将目标域数据集和源域数据集组成SAR数据集，其中，源域数据集每个类别的SAR图像数量均大于等于200；N≥3，1≤M≤3，K≤30；

(1b)对SAR数据集中每个类别目标的SAR图像设置类别标签；

(1c)将SAR数据集中每幅SAR图像的大小裁剪为64×64，对裁剪后的每幅SAR图像进行L2归一化处理，得到归一化后的SAR数据集；

(1d)将归一化后的SAR数据集中每幅SAR图像的像素值范围转化成0到255之间后得到训练集；

(2)构建生成器网络：

(2a)搭建一个21层的生成器网络，其结构依次为：第1叠加层，全连接层，第1激活函数层，reshape层，第2叠加层，第1反卷积层，归一化层，第2激活函数层，第3叠加层，第2反卷积层，归一化层，第3激活函数层，第4叠加层，第3反卷积层，归一化层，第4激活函数层，第5叠加层，第4反卷积层，归一化层，第5激活函数层，输出层；

所述归一化层采用Batch Normalization函数实现；所述第1至第4激活函数层均采用ReLU函数实现，第5激活函数层采用Tanh函数实现；

(2b)设置生成器网络的每层参数：将第1至第4反卷积层的卷积核大小均设置为5×5，卷积核的个数分别设置为128、64、32、16，卷积步长均设置为2；

将全连接层的神经元个数设置为2048；

(3)构建判别器网络：

(3a)搭建一个16层的判别器网络，其结构依次为：第1叠加层，第1卷积层，激活函数层，第2叠加层，第2卷积层，归一化层，激活函数层，第3叠加层，第3卷积层，归一化层，激活函数层，第4叠加层，第4卷积层，归一化层，激活函数层，并联的三个全连接层；所述激活函数层均采用Leaky ReLU函数实现；

(3b)设置判别器网络的每层参数：将第1至第4卷积层的卷积核大小均设置为5×5，卷积核的个数分别设置为16、32、64、128，卷积步长均设置为2；将每个激活函数层的LeakyReLU函数的斜率均设置为0.2；将三个并联的全连接层的神经元个数分别设置为1、1、C，其中C的取值与目标类别总数(M+N)相等；

(4)将生成器网络和判别器网络级联成属性引导的生成对抗网络；

(5)训练属性引导的生成对抗网络：

(5a)从训练集的全部类别中随机选取的n个类别，n≤3，每个类别选取m幅SAR图像组成训练集的支撑集，20≤m≤23；

(5b)将支撑集中所有的SAR图像、支撑集中每张SAR图像对应的类别标签、支撑集中每张SAR图像对应的方位角度信息同时输入到判别器网络中，判别器网络对输入的每张SAR图像评估后输出预测为真实图像的概率值、类别预测概率值和方位角度预测值，并利用判别器网络的损失函数计算判别器网络的损失值；

(5c)使用梯度下降法，计算每个卷积层的每个卷积核的梯度、全连接层的梯度，使用学习率为0.00005的Adam优化器更新判别器网络每个卷积层的每个卷积核的权重、全连接层的权重；

(5d)生成B个满足正态分布的1×100维的随机向量，B＝n×m；

(5e)将随机向量、支撑集中所有SAR图像对应的类别标签、支撑集中所有SAR图像对应的方位角度信息分别输入到生成器网络中，输出F幅SAR生成图像，F＝n×m；

(5f)将F幅SAR生成图像、支撑集中每个SAR图像对应的类别标签、支撑集中每个SAR图像对应的方位角度信息分别输入到判别器网络中，判别器网络对输入的SAR生成图像评估后分别输出预测为真实图像的概率值、类别预测概率值和方位角度预测值，并利用生成器网络的损失函数计算生成器网络的损失值；

(5g)利用生成器网络的损失值和梯度下降法，计算生成器网络每个反卷积层的每个卷积核的梯度，使用学习率为0.00005的Adam优化器更新生成器网络每个反卷积层的每个卷积核的权重；

(5h)判断判别器网络的损失函数和生成器网络的损失函数是否均收敛，若是，则得到训练好的属性引导的生成对抗网络，否则，执行步骤(5a)；

(6)生成SAR图像：

生成H个满足正态分布的1×100维的随机向量，将随机向量、P个类别标签、Q个方位角度信息输入到训练好的属性引导的生成对抗网络，输出与类别标签和方位角度信息对应的SAR生成图像，其中，H、P、Q的取值与待生成的SAR图像的数量相等。