申请/专利权人：电子科技大学

申请日：2024-03-14

公开（公告）日：2024-06-21

公开（公告）号：CN118230157A

主分类号：G06V20/10

分类号：G06V20/10;G06V10/44;G06V10/74;G06V10/774;G06V10/82;G06N3/0464;G06N3/09

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：本发明公开了一种基于伪未知类辅助学习的开集SAR目标识别方法，属于合成孔径雷达目标识别领域。该方法首先基于由多个卷积运算层构成的深度特征提取网络进行特征挖掘；然后使用vonMishes‑FishervMF分布建立了一种可分离的特征嵌入空间，以更好地区分各个已知类；接着基于已知类目标分布合成伪未知类样本以构建未知决策边界，并利用监督对比学习的思想扩张未知决策边界区域，为辨识未知类目标预留更多的特征空间；最后通过计算待识别样本与各个已知类中心表示的余弦相似性，实现已知类目标分类和未知类目标辨识。

主权项：1.一种基于伪未知类辅助学习的开集SAR目标识别方法，该方法包括：步骤1：给定已知类SAR目标图像数据集其中是一幅像素大小为H×W，通道数为1的SAR图像，N为训练样本的数量，yi∈[1,2,,K]表示训练样本xi对应的类别标签，K为已知类别的数量；步骤2：通过中心裁剪的方式对训练样本进行数据扩充，得到2N个训练SAR样本，将扩充后的SAR目标图像数据集记为以便于后续进行监督对比学习；步骤3：建立可分离的特征嵌入表示网络，分为深度SAR图像特征提取和超球面嵌入空间建模两个部分；步骤3.1：将步骤1中Dtr的SAR目标训练图像输入到由多层卷积运算层构成的深度特征提取网络fθ，经过特征提取网络后样本xi被编码为zi＝fθxi，其中θ是特征提取网络的待训练参数；步骤3.2：对特征表示进行归一化，即： 其中，||·||2表示矩阵的2范数运算；步骤3.3：通过以下公式计算第k类目标的类原型表示： 其中，zi,k表示第k类目标的特征表示；步骤3.4：为构建一个可分离的特征嵌入空间，采用vonMishes-FishervMF分布，将归一化后的特征表示建模到一个超球面嵌入空间上；vMF分布定义了单位球面上点的概率密度分布，其概率密度函数表示为： 其中，κ是浓度超参数，且κ＞0，用于描述类原型周围特征分布的紧密程度；μk是第k类目标的类原型表示；表示矩阵的转置运算；exp·表示以常数e为底数的指数运算；Zdκ是归一化因子，定义如下： 其中，Id2-1κ代表d2-1阶的第一类修正贝塞尔函数；步骤3.5：根据vMF分布的概率密度函数，pdz；μk,κ代表特征表示zi属于类别k的概率，为促使每个样本的特征紧密分布在其对应类原型周围，使用交叉熵损失函数训练该超球面特征嵌入表示网络，定义如下： 步骤4：构建和扩张未知决策边界；步骤4.1：基于流形混合方法以线性插值的方式合成伪未知类特征嵌入，假设zi,yi和zj,yj是来自两个不同类别的嵌入——标签对，该过程表示如下： 其中，表示合成的伪未知类特征嵌入表示，是yi和yj经过插值得到的新标签；λ∈[0,1]代表混合因子，通过从Betaα,α分布采样得到；步骤4.2：利用监督对比学习的思想进一步增强类内紧凑性以扩张未知决策边界，设计类内聚合损失采用步骤2中Daug的SAR目标样本训练网络： 其中，Pi是与样本zi类别相同的正样本集合，Ai＝Daug{i}是从Daug除去第i个样本后剩余的目标样本集合，τ为可调节的缩放系数；步骤5：采用如下公式中的总损失函数训练识别模型： 其中，γ是用于平衡两项损失函数重要性的权重超参数；步骤6：在推理阶段，通过计算待识别样本的相似性得分实现开集识别任务；步骤6.1：计算待识别样本x经过特征嵌入网络编码后的特征表示z与各个已知类原型表示之间的余弦距离cosine·，并将距离的最大值定义为相似性得分sim，如下式所示：sim＝maxk∈1,...,Kcosinez,μk步骤6.2：设置判识阈值th∈0,1，通过如下公式实现已知类目标分类和未知类目标辨识： 其中，K+1表示未知类别SAR目标对应标签。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于伪未知类辅助学习的开集SAR目标识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD