[发明专利]一种基于联合分布适配的零样本SAR图像目标识别方法

权利要求书

1.一种基于联合分布适配的零样本SAR图像目标识别方法，其特征在于，包括以下步骤：

步骤1，建立训练集，训练集包括带有标签且与任务无关的仿真SAR图像样本集、带有标签且与任务无关的实测SAR图像样本集及带有标签且与任务相关的仿真SAR图像样本集；建立测试集，包括无标签且与任务相关的实测SAR图像样本集；并对训练集和测试集的所有样本进行预处理；

步骤2，构建零样本联合自适应网络；

步骤3，构建基于联合分布适配的网络损失函数；

步骤4，训练零样本联合自适应网络，得到训练好的零样本联合自适应网络；

步骤5，将训练好的零样本联合自适应网络中的第三特征提取器第一分类器进行拼接，作为SAR图像目标识别模型；将测试集的与任务相关的实测SAR图像输入SAR图像目标识别模型，得到SAR图像的目标类别。

2.根据权利要求1所述的基于联合分布适配的零样本SAR图像目标识别方法，其特征在于，步骤2的零样本联合自适应网络，具体的，零样本联合自适应网络包含第一特征提取器、第二特征提取器、第三特征提取器以及第一分类器、第二分类器；第一特征提取器与第一分类器依次连接，第二特征提取器和第三特征提取器分别与第二分类器连接；

第一特征提取器的输入为与任务相关的仿真SAR图像，第二特征提取器的输入为与任务无关的仿真SAR图像，第三特征提取器的输入为与任务无关的实测SAR图像；第一分类器和第二分类器的输出均为SAR图像目标的类别；

第一特征提取器、第二特征提取器和第三特征提取器均包含依次连接的ResNet50特征提取模块和瓶颈层；第一特征提取器、第二特征提取器和第三特征提取器共享权重；第一分类器和第二分类器均为全连接层FC；

其中，ResNet50特征提取模块包含依次连接的输入层INPUT、第一阶段模块stage1、第二阶段模块stage2、第三阶段模块stage3、第四阶段模块stage4、第五阶段模块stage5、平均池化层Avgpool、展平层Flatten；

第一阶段模块stage1包含依次连接的卷积层Conv、批归一化层BN、Relu激活层、最大池化层Maxpool；第二阶段模块stage2包含依次连接的卷积块Conv Block和两个特性块IDBlock；第三阶段模块stage3包含依次连接的卷积块Conv Block和三个特性块ID Block；第四阶段模块stage4包含依次连接的卷积块Conv Block和五个特性块ID Block；第五阶段模块stage5包含依次连接的卷积块Conv Block和两个特性块ID Block；

瓶颈层包含依次连接的256维的全连接层FC、批归一化层BN、Relu激活层和随机失活层Dropout。

3.根据权利要求1所述的基于联合分布适配的零样本SAR图像目标识别方法，其特征在于，步骤3构建的网络损失函数如下：

其中，

L_d＝∑_q∈QMKMMD(S_TIq(X^s,TI),T_q(X^t,TI))；

式中，λ为网络适配权重参数；

是第一分类器C_TR对带有标签且与任务相关的仿真SAR图像样本集D^s,TR中的样本的分类损失；

是第二分类器C_TI对带有标签且与任务无关的仿真SAR图像样本集D^s,TI中的样本和带有标签且与任务无关的实测SAR图像样本集D^t,TI中的样本的分类损失；

J(·)为分类损失函数，具体为交叉熵损失函数；S_TR(·)表示第一特征提取器；S_TI(·)表示第二特征提取器；T(·)表示第三特征提取器；

L_d是基于与任务无关的仿真SAR图像和与任务无关的实测SAR图像的MK-MMD距离的域适应损失；*_q(X)为样本X在网络中的第q层隐层特征，Q为域适应损失的输入特征层的集合。

4.根据权利要求2所述的基于联合分布适配的零样本SAR图像目标识别方法，其特征在于，利用网络损失函数端到端联合训练第一特征提取器、第二特征提取器、第三特征提取器、第一分类器和第二分类器，根据反向传播迭代更新网络参数，最小化目标损失，保存最终的网络参数，得到训练好的零样本联合自适应网络。