[发明专利]基于尺度感知域适应的多分辨率SAR目标识别方法及装置

说明书

本发明公开了一种基于尺度感知域适应的多分辨率SAR目标识别方法及装置，获取源域SAR图像集和目标域SAR图像集；基于源域SAR图像集和目标域SAR图像集训练多分辨率SAR目标识别网络；采用训练好的源域分类网络对待识别目标域SAR图像进行目标识别；本发明通过设计了带有自适应核残差模块的尺度增强特征提取网络，可以选择性的融合多个核卷积特征来捕获不同感受野(RF)中的多粒度信息，结合多级双线性融合模块，实现更加鲁棒的特征对齐，进而完成了多分辨率SAR图像中的跨域分类任务。

技术领域

本发明属于遥感图像目标识别技术领域，尤其涉及一种基于尺度感知域适应的多分辨率SAR目标识别方法及装置。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)系统由于其不受自然条件限制的全天时、全天候观测能力，被广泛应用于当今海洋智能监测，特别是用于船舶分类和检测对维护国家海洋权益和安全有着极其重要的意义。

随着深度学习技术在遥感领域的应用，当今基于深度学习的SAR自动目标识别(Automatic Target Recognition,ATR)技术已经成为主流。大多数有监督的深度学习目标识别技术都需要满足训练数据和测试数据来自同一分布的这一假设条件。但是，在实际应用中该前提假设并不一定总是满足。例如在遥感领域中，随着对地观测手段越来越多样化，遥感图像可以通过不同的卫星平台或传感器获取。由于各个卫星平台在轨道高度、视角、成像机制、分辨率、环境等方面的差异，导致多源遥感数据之间存在巨大的分布差异，这种分布差异即称为域漂移。并且，SAR图像数据由于其成像机制，对其标注相较于自然图像将会面临较大的困难，因此很难获取充足的标注数据。在这种条件下，直接使用训练数据学习的模型来识别另一分布测试数据时，其性能往往会急剧下降。

为了应对域漂移问题，域适应技术被提出，用来缩小这种源域和目标域数据之间的分布差异，使得使用源域数据训练的识别模型也能在不同分布的目标域数据上获得较好的分类性能。此外，在遥感领域中多源数据中的目标往往呈现较大的分辨率/尺度变化，这给跨域识别任务又带来了独特的挑战。而现有方法并没有充分考虑数据间的分辨率/尺度变化带给识别任务的影响，统一使用现有标准域适应技术来应对由众多因素导致的多源数据之间的域漂移现象是存在局限的。如何设计一种更加鲁棒的识别模型能够在较大的分辨率/尺度变化和差异的数据下，依然具有较好的泛化性能，完成跨域识别任务就成为了亟待解决的难题。

发明内容

本发明的目的是提供一种基于尺度感知域适应的多分辨率SAR目标识别方法及装置，通过提取目标的尺度增强特征，再对该尺度增强特征进行目标识别，可以提升目标识别的鲁棒性。

本发明采用以下技术方案：一种基于尺度感知域适应的多分辨率SAR目标识别方法，包括以下步骤：

获取源域SAR图像集和目标域SAR图像集；其中，源域SAR图像集由源域SAR图像及其类别标签组成，目标域SAR图像集由目标域SAR图像组成；

基于源域SAR图像集和目标域SAR图像集训练多分辨率SAR目标识别网络；其中，多分辨率SAR目标识别网络由源域分类网络和域对抗网络组成；源域分类网络包括尺度增强特征提取网络和分类器，域对抗网络包括域判别器、多级双线性融合模块和尺度增强特征提取网络；

采用训练好的源域分类网络对待识别目标域SAR图像进行目标识别。

进一步地，多分辨率SAR目标识别网络的损失函数为：

L_total＝L_cls+αL_adv，

其中，L_total为多分辨率SAR目标识别网络的损失函数，L_cls为源域分类网络的损失函数，L_adv为域对抗网络的损失函数，α为折衷权重。

进一步地，源域分类网络的损失函数具体为：