[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

说明书

本发明涉及图像目标识别技术领域，具体涉及一种基于联合分布适配的零样本SAR图像目标识别方法。本发明方法的训练阶段无需感兴趣任务实测数据参与，借用仿真SAR图像，利用多核最大均值差异最小化仿真域和实测域的双域映射间距离，鼓励仿真SAR图像和实测SAR图像两组表征间的相似性，学习域不变的特征，有效减轻领域差异；通过捕捉类别信息自动实现细粒度的子领域自适应，自动高效地提高了模型的稳健性和识别率。

技术领域

本发明涉及图像目标识别技术领域，具体涉及一种基于联合分布适配的零样本SAR图像目标识别方法。

背景技术

传统光学图像目标识别领域的成功依赖于大规模的有标签图像数据集，而SAR图像自动目标识别(Automatic Target Recognition,ATR)领域常常面临样本受限的场景。由于获取SAR实测数据的过程通常复杂且耗时，SAR图像的获取被严格的监管，以及SAR应用中不断出现的新任务要求旧的数据集需要经常扩展，因此实际情况中出现新类别的感兴趣任务所需的SAR图像实测训练数据通常无法获得。

针对该问题，一种可行的方法是使用待识别目标的仿真合成SAR数据代替实测数据用于训练识别模型，实时识别新目标。如Qian Song等人在2019年发表的论文“EMsimulation-aided zero-shot learning for SAR automatic target recognition”中提出先将仿真数据经过非必要因素抑制步骤的预处理，再送入CNN进行特征提取。这些方法往往需要人为地设置预处理方式或相似性度量。

由于位于仿真域的训练数据和位于实测域的测试数据存在领域间的分布差异，会使得所训练模型的测试性能大幅下降。因此，仅仅依靠仿真数据训练的识别模型难以直接识别实测数据。缓解领域差异的一种做法是无监督领域自适应(Unsupervised domainAdaption,UDA)方法，通过将两个域映射到一个共同的特征空间来学习深度神经网络转化，并通过优化表征以最小化领域差异的度量。如Long等人在2015年发表的论文“LearningTransferable Features with Deep Adaptation Networks”中提出一个深度自适应网络，通过最大均值差异(Maximum Mean Discrepancy,MMD)指标来学习域不变特征。

然而，大多数领域自适应方法在训练阶段都使用了一定数量的目标域样本，真实应用中并非所有类别都在目标域中有样本，零样本领域自适应问题的研究填补了这一空白。基于零样本领域自适应(Zero-Shot Domain Adaptation,ZSDA)的SAR图像目标识别，在实测域感兴趣任务相关类的标签数据不可用时，由于可以获得任务无关类的已知类别下的SAR图像的实测数据以及仿真数据，借助相似性度量学习域不变的特征表示，并联合任务相关仿真数据训练感兴趣任务，最终识别属于任务相关类的新实测样本。

然而现有技术在适配源域和目标域的分布时，往往容易忽略类别标签，而只是学习一个全局的特征变化，导致最终训练的模型判别能力不佳，如何达到更好的识别率仍是巨大的挑战。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于联合分布适配的零样本SAR图像目标识别方法。

为了达到上述目的，本发明采用以下技术方案予以实现。

一种基于联合分布适配的零样本SAR图像目标识别方法，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；