[发明专利]一种成像及识别模型的训练方法、应用方法、装置及介质

说明书

本申请实施例提供一种成像及识别模型的训练方法、应用方法、装置及介质，该方法包括：获取用于训练成像及识别模型的标注数据，其中，所述标注数据是对雷达采集的目标回波信号进行成像结果标注和分类结果标注；根据所述标注数据和损失函数，对待训练的成像及识别模型进行训练，获得目标成像及识别模型，其中，所述成像及识别模型的输入是所述目标回波信号，输出是对所述目标回波信号预测的分类结果，所述损失函数是用所述预测的分类结果和标注的分类结果表征的，本申请实施例使成像模块可以生成对于识别过程最佳的目标图像，从而可以最大限度的提高分类精度。

技术领域

本申请实施例涉及回波成像识别领域，具体涉及一种成像及识别模型的训练方法、应用方法、装置及介质。

背景技术

相关技术中，通常在合成孔径雷达(Synthetic Aperture Radar，SAR)/逆合成孔径雷达(Inverse-Synthetic-Aperture-Radar，ISAR)自动目标识别中，通常将成像模型与识别模型分别训练且为各自设置独立的损失函数，因此导致根据训练好的成像模型中获得的目标图像通常具有较好的稀疏性能，但是具有较好稀疏性能的目标图像，对于后续在识别模型进行分类的过程中会导致识别准确率下降，并且在传统的成像算法中，需要大量迭代才能得到稀疏解，同时也影响识别分类效果。

因此，如何根据目标回波信号获取更加有利于分类的目标图像成了亟待解决的问题。

发明内容

本申请实施例提供一种成像及识别模型的训练方法、应用方法、装置及介质，通过本申请的一些实施例至少能够使成像模块可以生成对于识别过程最佳的目标图像，从而可以最大限度的提高分类精度。

第一方面，本申请实施例提供一种成像及识别模型的训练方法，所述训练方法包括：获取用于训练成像及识别模型的标注数据，其中，所述标注数据是对雷达采集的目标回波信号进行成像结果标注和分类结果标注得到的；根据所述标注数据和损失函数，对待训练的成像及识别模型进行训练，获得目标成像及识别模型，其中，所述成像及识别模型的输入是所述目标回波信号，输出是对所述目标回波信号预测的分类结果，所述损失函数是对输入的所述目标回波信号的预测的分类结果和标注分类结果表征的。

因此，本申请实施方式中的损失函数是通过对输入的目标回波数据的预测分类结果和标注分类结果来表征的，而不是采用相关技术的用对目标回波信号的预测成像结果来评价成像模型是否训练结束，训练包含有成像模型和识别模型的成像及识别模型，能够使成像模块可以生成对于识别过程最佳的目标图像，从而可以最大限度的提高分类精度。

结合第一方面，在一种实施方式中，所述成像及识别模型包括成像模型和识别模型；所述根据所述标注数据和损失函数，对待训练的成像及识别模型进行训练，获得目标成像及识别模型，包括：通过多次迭代的方式对待训练的成像模型进行训练，获得所述成像模型对应的目标参数的值，完成对所述成像模型的初步训练，得到初始成像模型，其中，目标参数的类型至少包括：步长和软阈值；将所述初始成像模型输出的成像结果和所述损失函数对所述成像及识别模型进行训练，获得所述目标成像及识别模型。

因此，区别于传统手工设置参数的稀疏恢复(Sparse Recovery,SR)算法，本申请实施方式中通过训练得到成像模型对应的目标参数值，确定成像模型，使成像模型能够生成有利于识别分类的最佳目标图像，从而能够依据目标参数值获得分类准确率较高的成像及识别模型。

结合第一方面，在一种实施方式中，所述成像模型包括：初级图像生成模块和目标图像生成模块；其中，所述通过多次迭代的方式对所述待训练的成像模型进行训练，获得所述成像模型对应的目标参数值，包括：在第k次迭代中，将所述目标回波信号输入到所述初级图像生成模块，获得第k初级图像，其中，k为大于或等于1的整数；根据所述目标图像生成模块对所述第k初级图像进行稀疏域变换，获得第k目标图像；重复上述步骤，直至满足第一终止条件或者达到设定的循环次数，获得所述成像模型对应的目标参数值。