买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：厦门大学

摘要：基于域适应的异质异源SAR目标识别方法，属于图像识别领域。包括以下步骤：1风格图像增扩：图像输入网络后，先由浅层的卷积层提取低阶特征，包含纹理、光照等风格信息，这些风格信息可表示为特征的统计量，改变特征统计量可变换低阶特征的风格，实现图片风格化增扩；2特征分布对齐：将步骤1中经处理的低阶特征进一步通过深层卷积层变为高阶特征；高阶特征保留的域信息不利于对目标域SAR图像的识别工作，采用对抗学习的方式对齐源域和目标域的特征表示；3语义图像增扩：与步骤2同时进行，对高阶特征进行分类，识别图像是哪一个类别，并通过损失函数优化网络。采用隐式语义增扩法ISDA，在分类的同时达到语义增扩的目的。

主权项：1.基于域适应的异质异源SAR目标识别方法包括以下步骤：1风格图像增扩：图像输入网络后，先由浅层的卷积层提取出低阶特征；所述低阶特征包含纹理、光照风格信息，风格信息表示为特征的统计量，通过改变特征统计量即变换低阶特征的风格，实现图片风格化增扩；所述实现图片风格化增扩的具体步骤为：图片输入网络后，先由浅层的卷积层提取出低阶特征，特征表示为x∈RC×H×W，其中C表示特征通道数，H和W分别表示特征图的高和宽；低阶特征解耦为风格信息和内容信息，风格信息为图片特征图的统计量，包括均值和标准差；通过对网络各层中捕获的特征进行风格混合，隐式地扩增源域的风格数目，最终正则化网络；所述风格混合采用MixStyle增扩方法，使网络在训练过程接触到更多的风格特征，MixStyle基于实例归一化IN，公式为： 式中，γ和β为学习参数，其统计量ux和σx分别为低阶特征的均值和标准差，用以表示图像的风格信息；通过变换此信息改变图像的风格达到风格化增扩的目的；假设x和y分别表示图像A和B的低阶特征，那么对A进行增扩的公式如下： 式中，α表示调节参数，调节参数是从beta分布中采样得到；2特征分布对齐：将步骤1中经过处理的低阶特征进一步通过深层卷积层变为高阶特征；高阶特征保留的域信息不利于对目标域SAR图像的识别工作，采用对抗学习的方式对齐源域和目标域的特征表示；所述特征分布对齐是基于对抗学习对齐特征分布，其具体步骤为：步骤1中处理后的低阶特征会进一步通过深层卷积层，变成高阶特征，特征表示为X∈RC×H×W，高阶特征包含图像的语义信息如形状、外貌，用以判别图像所属类别的信息；高阶特征同时包含域独有的信息，使用梯度反转层实现领域分类，以拉近源域和目标域的特征表示，消除特征的域独有信息；梯度反转层是一个领域分类器，用于判别样本来自源域还是目标域；高阶特征通过梯度反转层后得到分类结果，并通过损失函数计算梯度；在梯度传播的过程中，梯度反转层会将本层的误差乘以-1，也就是反转梯度，使得前面的网络层和梯度反转层学习相反的梯度；这样梯度反转层就会学习辨别高阶特征来自哪个域，而用于提取特征的卷积层会学习如何骗过梯度反转层，从而提取出和域无关的特征信息；这样的对抗训练是同步进行的，域分类损失ladv表示为如下公式： 式中，Ns和Nt分别表示来自源域和目标域的样本数量，F和D分别表示特征提取器和域分类器；3语义图像增扩：与步骤2同时进行，对高阶特征进行分类，从而识别图像是哪一个类别，并通过损失函数优化网络；采用隐式语义增扩法ISDA，在分类的同时达到语义增扩的目的；所述语义图像增扩的具体步骤为：步骤2中的高阶特征需要通过分类层来识别图像的类别，并通过损失函数计算梯度，然后优化网络；使用隐式语义增扩法ISDA作为损失函数来优化网络；ISDA首先对每个类的深度特征的协方差矩阵进行估计，捕获类内的语义变化，然后从零均值正太分布中采样数据，通过最小化增扩数据集的交叉熵损失期望的上届来实现增扩；隐式语义增扩法ISDA表示为如下公式： 其中，λ为超参数，N表示样本数量，w和b分别表示分类层的权重和偏置，∑表示特征的协方差矩阵。

全文数据：

权利要求：

百度查询： 厦门大学 基于域适应的异质异源SAR目标识别方法