[发明专利]基于数据增强的合成孔径雷达图像目标深度模型识别方法

摘要

本发明属于雷达图像识别技术领域，涉及一种基于数据增强的合成孔径雷达图像目标深度模型识别方法。本发明基于小数据集难以在深度模型上训练的问题，提出了一种通用的能够在小数据集下结合深度模型应用的方法：基于Gabor滤波器对原始SAR图像数据做数据增强，用增强数据训练深度模型，并应用于SAR目标识别中。通过调整Gabor滤波器的方向和尺度参数，调整增强数据的数量，可以灵活设计不同深度的深度模型，以获得更好的识别性能。

主权项

1.基于数据增强的合成孔径雷达图像目标深度模型识别方法，其特征在于，包括以下步骤：步骤1、对现有的SAR图像训练样本进行Gabor滤波器变换，每一张原始SAR图像样本进行不同方向不同角度的Gabor变换，得到多方向多尺度的特征图像；步骤2、对原始SAR图像测试数据，做同样的Gabor变换，保证测试数据与训练数据的处理方式一样；步骤3、构建深度模型：步骤31、构建特征提取模块：由卷积层和池化层的级联构成特征提取模块，其中卷积层用于对输入进行卷积滤波得到多个特征图像输出；池化层用于对输入做池化处理，实现对输入数据进行降维；步骤32、构建分类模块：由全局平均池化层、全连接层和softmax分类层组成分类模块；所述全局平均池作用在特征提取模块输出特征图像上，对每一个特征图像用全局平均值替代整体，得到一个维度同特征图像个数相同的特征向量；通过全局平均池化层后需要接一层小的全连接层，用于将多维的特征向量映射到对应的类别，最后通过softmax非线性函数映射得到分类结果。步骤4、深度模型训练：步骤41、学习率α、迭代次数e、输入模型的块数据大小、训练集和验证集占比初始设为预设值；步骤42、每次从训练样本中随机抽取包含A个样本的mini‑batch作为深度模型第一层的输入进行训练，特征提取模块输出对应输入的特征矩阵，分类提取模块对该特征矩阵映射得到对应输入类别概率；设定有K个类，d个带标签的训练样本，表示为(xi,yi)i＝1,2,3,...d，xi表示第i个训练样本，yi表示对应样本的真实标签，交叉熵损失函数定义为：采用小批量随机梯度下降法进行参数更新学习，通过最小化交叉熵损失函数，参数w将被迭代更新；步骤43、判断迭代次数是否达到设定的总的迭代次数，若是，则执步骤44；否则，再判断验证集正确率在当前模型的变化是否小于阈值，如果小于阈值，则调小学习率，继续执行步骤42，进一步更新学习；否则，学习率不做调整，继续执行步骤42；步骤44、训练次数达到初始设置的迭代次数阈值，保存验证集正确率最高的模型，用于接下来的识别处理；步骤5、一个原始SAR测试图像样本根据方向和尺度参数的不同，将得到不同数量的Gabor特征图像，将得到的Gabor特征图像，输入到步骤44中保存的训练好的模型中，每一个Gabor特征图像都将输出对应的类别概率，将每一个特征图像的预测结果融合作为这一张原始SAR图像测试样本的识别率。