[发明专利]一种基于紧致性特征学习的空间卫星目标识别方法

权利要求书

1.一种基于紧致性特征学习的空间卫星目标识别方法，其特征在于，包括以下步骤：

1）构造错位配对样本作为输入；

2）构建具有双通道共享参数结构的CCAE模型，包括编码器部分和解码器部分；对于来自同一类别的空间卫星目标图像样本对和，编码器部分别在对应通道对样本进行交替的卷积和池化操作并产生对应的特征图，然后利用所获得特征图进行紧致性损失计算；同时，由所产生的编码器输出继续被输入到解码器以获得对应的重建图像并计算重建损失；

对于输入图像，其二维局部空间特征的提取过程如下：

(4)

式(4)中，表示二维卷积操作，和分别为编码器中的第个卷积滤波器和对应偏置，代表非线性激活函数，表示相应的编码器输出；

在完成特征编码之后，引入最大池化层来捕捉特征图中的局部显著性特征，在通过反池化层完成相应的上采样操作后，特征的解码过程计算如下：

(5)

式(5)中，和分别表示解码器中的反卷积滤波器和偏置，为重建输出图像；

3）将无监督训练应用于CCAE的训练以实现对输入样本的特征学习，其目标在于最小化如下损失函数：

(6)

式(6)中，表示编码器和解码器中的参数集合，为输入图像的个数；

设和分别表示和的编码输出特征图，则类内样本的紧致性损失定义如下：

(7)

式(7)中，代表类内样本对的个数，其在错位配对方式下等于样本的总数量；

将式(6)的重建损失和进行合并，可得到如下CCAE损失函数：

(8)

式(8)中，参数被用来控制重建损失和紧致性损失在模型训练过程中的权重比例，过大的值削弱重建损失效应，导致类间样本的可分性变差，相反，值过小则会降低类内样本的紧致性，CCAE损失函数通过同时最小化重建损失和紧致性损失，达到类间样本可分性和类内样本紧致性的同步提升，从而获得用于空间卫星目标识别任务的增强性判别特征表示。

2.根据权利要求1所述的基于紧致性特征学习的空间卫星目标识别方法，其特征在于，

步骤2）所述的CCAE模型整体框架包括类内卫星图像1、类内卫星图像2、重建卫星图像、编码器、解码器、重建损失、紧致损失、合并损失；其中，类内卫星图像1、类内卫星图像2分别与编码器连接，编码器、解码器、重建卫星图像依次相连，编码器连接紧致性损失，解码器连接重建损失，紧致性损失、重建损失与合并损失连接；适应于类内图像对作为输入，模型具有两通道编码器结构，其中两通道共享相同的网络参数。

3.根据权利要求1所述的基于紧致性特征学习的空间卫星目标识别方法，其特征在于，

步骤2）所述的编码器部分包括两层卷积层和两层全连接层，前两层卷积层分别包含32个和64个大小为的滤波器，同时在两层卷积之后均跟有操作窗口大小为的最大池化层，在经过上述卷积池化处理之后，将产生的特征图进行展平操作，然后输入到含有1024个神经元的全连接层进行处理，最后经包含待识别类别数量神经元的全连接层得到编码器输出；解码器部分以编码器的输出作为输入，其网络参数结构与编码器部分相对称。

4.根据权利要求1所述的基于紧致性特征学习的空间卫星目标识别方法，其特征在于，

步骤1）所述样本的数据集中共包含了20种不同类型的卫星目标，目标灰度图像的原始大小为，图像大小重置为，并在输入到CCAE模型之前对像素值进行归一化处理；为实现类内目标的紧致性特征学习，采用类内错位配对方式对样本对进行构造。