[发明专利]基于混合损失与图注意力的小样本SAR目标分类方法

说明书

本发明提出了一种基于混合损失与图注意力的小样本SAR目标分类方法，实现步骤为：获取训练样本集和测试样本集；构建基于混合损失与图注意力的网络模型H；对H进行迭代训练；获取小样本SAR图像的目标分类结果。本发明通过训练任务集的分类损失值lsubgt;C/subgt;和训练任务集的嵌入损失值lsubgt;E/subgt;的加权和组成训练任务集的混合损失值l，对嵌入网络模块E中所有第一卷积层和第二卷积层的参数、图注意力网络模块G中所有第一全连接层和第二全连接层的参数进行更新，增强了同种SAR目标类别的特征之间的相似性和不同SAR目标类别的特征之间的差异性，且通过数据增强有效降低了模型训练过程中过拟合的风险，提高了小样本SAR目标的分类精度。

技术领域

本发明属于雷达图像处理技术领域，涉及一种SAR目标分类方法，具体涉及一种基于混合损失与图注意力的小样本SAR目标分类方法，可用于目标已获取SAR图像数量较少情况下的SAR目标分类。

背景技术

合成孔径雷达SAR具有全天时、全天候、远作用距离、高分辨率等特性，由于目标的二维高分辨SAR图像中包含目标的形状、尺寸、纹理等丰富信息，因此被广泛用于战场侦察等军事领域的目标分类中。SAR目标分类是基于计算机系统，从传感器获取目标的SAR图像数据后提取特征，并依据所提取的特征给出目标类别属性的算法。虽然已经产生大量基于人工选取特征、设计分类器的传统SAR目标分类方法，但是这些传统方法需要依据大量的经验和较强的专业知识来针对特定目标设定特定算法，耗时较长且难以推广。近年来，基于深度学习的SAR目标分类方法实现了基于数据驱动的SAR目标分类，该方法能够从数据中自主学习提取对分类有效的特征，并利用这些特征对目标进行分类，因此不需要人工选取特征、设计分类器及较强的专业知识，并且很容易推广到新的目标类别，因此获得了优良的性能，被业界广泛地研究和使用。

但是，SAR所观测的一些目标为非合作的小样本SAR目标，即这些目标所能获取的SAR图像数量较少，每个目标只有1幅图像到十几幅图像，而基于深度学习的SAR目标分类方法通常需要大量的训练样本来训练模型以在测试样本上获得高的分类准确率，对于小样本SAR目标，这些基于深度学习的SAR目标分类方法会由于训练样本的不足出现分类准确率低的问题。

为了解决这个问题，现有技术通过改进模型结构，设计对样本数量要求较低的特殊模型来提高小样本SAR目标的分类准确率。例如申请公布号为CN111191718A，名称为“基于图注意力网络的小样本SAR目标识别方法”的专利申请，公开了一种基于图注意力网络的小样本SAR目标识别方法，该方法首先获取目标的少量有标签SAR图像和大量无标签SAR图像并进行降噪处理，然后利用降噪后的图像迭代训练自编码器，得到全部SAR图像的特征向量，最后构建一个初始邻接矩，并利用初始邻接矩和全部SAR图像的特征向量迭代训练图注意力网络，训练好的图注意力网络可以利用注意力机制实现无标签SAR图像中目标的分类。该方法所采用的图注意力网络在类别预测的过程中对有标签SAR图像的需求较少，且注意力机制的应用能够提升网络的分类准确率，但是其存在的不足之处在于，自编码器对每幅SAR图像进行编码解码操作后将所得到的结果与原始SAR图像单独计算损失，因此所提取到的同种SAR目标类别的特征之间相似性较低，不同SAR目标类别的特征之间差异性较弱，这使得模型对小样本SAR目标的分类精度仍然较低。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于混合损失与图注意力的小样本SAR目标分类方法，用于解决现有技术中存在的同种SAR目标类别的特征之间相似性较低、不同SAR目标类别的特征之间差异性较弱导致的分类准确率较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取训练样本集和测试样本集

(1a)获取包含C个不同目标类别的多幅合成孔径雷达SAR图像，每个目标类别对应M幅大小为h×h的SAR图像，每幅SAR图像包含1个目标，其中C≥10，M≥200，h＝128；