申请/专利权人：电子科技大学

申请日：2024-01-09

公开（公告）日：2024-04-19

公开（公告）号：CN117911801A

主分类号：G06V10/77

分类号：G06V10/77;G01S13/90;G06V10/774;G06V10/82;G06V10/764;G06V20/13;G06N3/088;G06N3/094

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明属于雷达遥感应用技术领域，具体涉及一种基于无监督域适应的跨分辨率SAR舰船目标识别方法。本发明的方法旨在针对源域的训练数据和目标域的测试数据为两种不同成像分辨率的SAR舰船目标，首先引入了全局对抗网络和局部对抗网络，然后设计了一种类特征聚合模块，将其通过特征提取后共同映射到单位球的表面，同时，在球面拓扑结构通过有标签的源域样本指导伪标签的目标样本进行同类样本特征信息的聚合和异类样本特征信息的分离，该特征聚合模块缓解了传统域适应用于不同分辨率的SAR目标识别过程所导致的对可转移的背景特征更加关注、对可区分的舰船特征敏感度降低的问题，使得提取到的特征更加具有类内紧凑性和类间区分度。

主权项：1.一种基于无监督域适应的跨分辨率SAR舰船目标识别方法，其特征在于，包括以下步骤：步骤1、获取具有不同成像分辨率的OpenSAR数据集,对其进行预处理，得到两种不同成像分辨率的SAR数据分别作为源域和目标域；步骤2、构建无监督对抗域适应网络模型，包括块嵌入层、特征提取层、局部对抗网络层、全局对抗网络层，类特征聚合模块、输出层；所述块嵌入层的输入为有标签的源域SAR数据和无标签的目标域SAR数据将图像划分为若干个16x16的patch，然后被拉平经过线性映射得到若干个patchtoken，随后加入有关类的Clstoken并叠加PositionEmbedding，块嵌入层的输出连接到特征提取层的输入；所述特征提取层为VisionTransformer，包括多个block，每个block内通过多头自注意力的Query、Key、Value的交互来捕捉输入数据中的相关性和结构信息；所述局部对抗网络层由全连接层组成，在两种不同分辨率的SAR图像的特征通过特征提取层的最后一个block时，通过在自注意力层中判别Key中的patchtoken属于源域还是目标域的概率来增大可转移patch的权重分配，同时增大可转移程度小的patch的损失贡献，如下所示： 其中，ns和nt分别表示源域和目标域的图片数量，N表示单张图片的patch数量，Gf表示特征提取层，Gpd表示局部对抗网络层，和分别表示源域和目标域第i张图片的第j个patch；所述全局对抗网络层连接在整个特征提取层后，对提取到的源域和目标域样本特征进行判别来增大难分样本的损失贡献，目标如下所示： 其中，Gd表示全局对抗网络层，和分别表示源域和目标域第i张图片；所述类特征聚合模块在获得有标签的源域样本特征Fsi和无标签的目标域样本特征Ftj后对齐进行中心化处理，随后将源域和目标域的中心化后的向量映射到单位球体的表面，Fsi和Ftj分别表示源域的第i个样本所对应特征向量和目标域的第j个样本所对应的特征向量；为了提高不同类别的舰船目标之间的区分度，采用类特征聚合损失函数： 其中γ表示超参数，B表示同一个批次，y.代表所对应的标签，对于没有标签的目标域，采用输出层对目标样本预测的概率最大值所对应的类别作为其伪标签；所述输出层通过多层感知机进行类别的预测，在有标签的源域进行分类损失的运算，采用交叉熵损失函数： 其中，Gc表示分类器，Lce为交叉熵函数，表示源域第i张图片的标签；无监督对抗域适应网络模型的总体损失如下：Loss＝Lcls+αLpatch+βLglobal+λLcfa其中，α,β,λ用来控制各部分的比例；步骤3、将有标签的某分辨率源域SAR数据和无标签的另一分辨率目标域SAR数据输入构建好的基于无监督对抗域适应网络模型进行训练，得到学习后的神经网络模型，并在目标域的测试集上进行调参，得到最优的模型以及参数，获得训练好的基于无监督域适应的跨分辨率SAR目标识别网络；步骤4、将需要识别的SAR图像数据输入训练好的跨分辨率SAR目标识别网络，获得识别结果。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于无监督域适应的跨分辨率SAR舰船目标识别方法

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