一种基于自监督模型迁移学习下的雷达目标识别方法

1.本发明属于目标识别技术领域，具体涉及一种基于自监督模型迁移学习下的雷达目标识别方法。


背景技术：

2.在遥感图像处理中，成像雷达微波遥感探测的主要信息是目标与微波波段电磁波相互作用后反射的微波信息。因此，由成像雷达所获取的雷达图像包含目标物体的形状和散射信息，可以很好的表征特定的目标特征。在众多成像雷达中，合成孔径雷达(synthetic aperture radar,sar)是一种重要的微波遥感成像系统，其可采集全天候和昼夜高分辨率的图像，而sar自动目标识别(automatic target recognition,atr)技术则是sar应用中关键的挑战之一。因此，sar atr在民用领域的应用具有重要的意义。
3.深度学习的出现极大地促进了图像处理应用的发展，其中，卷积神经网络(convolutional neural network,cnn)从大量数据中分析和学习视觉特征，得益于其强大的特征学习能力，cnn在sar atr领域中也取得了一定进展。但是，此类方法需要大量的标记数据集来训练模型，而大多数sar图像数据集是未标记或稀疏标记的，这会造成训练深层网络时的过度拟合。文献“chen,sizhe,et al."target classification using the deep convolutional networks for sar images."ieee transactions on geoscience and remote sensing 54.8(2016):4806-4817.”中提出了一种全卷积网络，将所有全连接层替换为卷积层。该方法通过减少模型参数来减少过度拟合，但其识别性能随着减少标记的训练样本而显著降低。由于sar图像相较于光学图像更难以获得，且手动标记sar图像数据耗时耗力，现有的雷达图像数据中只有少部分为带标签数据。因此，在sar atr领域，使用监督学习训练深度网络是相当具有挑战性。
4.自监督学习通过估计目标之间的相似性来学习数据的一般特征，这种类型的学习可以在没有先验信息的情况下对相似的目标进行分类，并将它们与不同的目标区分开。文献“ciga,ozan,tony xu,and anne louise martel."self supervised contrastive learning for digital histopathology."machine learning with applications 7(2022):100198.”和文献“g
ü
ldenring,ronja,and lazaros nalpantidis."self-supervised contrastive learning on agricultural images."computers and electronics in agriculture 191(2021):106510.”表明了自监督学习在数字医学病理图像和农业图像上都取得了一定的成就。若能够充分利用自监督模型对相似性特征的提取能力，自监督学习在推进小样本sar图像目标识别上具有广阔的前景。


技术实现要素：

5.为解决上述技术问题，本发明提出了一种基于自监督模型迁移学习下的雷达目标识别方法，针对sar图像目标识别中，带标签数据样本量有限的问题，提出一种新的框架用于训练sar目标识别的深度神经网络，以消除对大量标记训练数据的需求。
6.本发明采用的技术方案为：一种基于自监督模型迁移学习下的雷达目标识别方法，具体步骤如下：
7.s1、预训练自监督模型，提升提取特征的有效性；
8.自监督模型中骨干网络以自监督的方式在大量无标签图像样本上进行预训练，利用相似性损失更新网络权重，最大化同一类目标的相似特征，弱化不同类目标的相似特征，实现网络对同一类别目标相似特征的有效提取。
9.其中，所述预训练阶段用于自监督学习的损失称为相似性损失。
10.将一对图像输入自监督模型时，若它们相似，则模型将其推断为1，否则为0。
11.s2、微调分类识别网络，实现雷达图像目标识别；
12.迁移所述预训练自监督模型中骨干网络的网络参数，在其后添加分类器，输入带标签的雷达目标图像样本x，设有nc类雷达目标，则使用nc维的独热向量y表示类别标签。该分类识别网络的输出为类别标签的条件概率分布，可由下式表示：
[0013][0014]
其中，θ表示包括权重w和偏置b的一系列可更新参数；添加的分类器包括：平均池化、flatten、全连接层以及softmax的操作。
[0015]
利用交叉熵损失对分类识别网络进行网络微调，从而实现雷达图像目标识别，损失函数可由下式表示：
[0016][0017]
其中，yc表示真值独热标签，fc(x,θ)表示分类器的特征映射函数。
[0018]
本发明的有益效果：本发明的方法包含两个阶段，第一阶段自监督模型中骨干网络以自监督的方式在大量无标签图像样本上进行预训练，通过相似性损失来更新网络权重，最大化同类目标的相似特征并弱化不同类目标的相似特征，实现网络对同类别目标相似特征的有效提取，第二阶段迁移预训练自监督模型中骨干网络的网络参数，利用少量带标签的雷达样本微调网络，实现雷达目标识别。本发明的方法能够有效鉴别目标特征和识别目标类别，解决雷达图像样本标签稀缺而导致的网络学习不充分的问题，提升网络在少量带标签的数据样本下对雷达目标的识别性能，与其它目标识别方法相比，提高了小样本雷达目标识别网络的准确度和鲁棒性。
附图说明
[0019]
图1为本发明的一种基于自监督模型迁移学习下的雷达目标识别方法的流程图。
[0020]
图2为本发明实施例中本发明方法使用五个经典自监督模型仿真所得到的最终识别性能比较图。
具体实施方式
[0021]
下面结合附图与实施例对本发明做进一步的说明。
[0022]
如图1所示，本发明的一种基于自监督模型迁移学习下的雷达目标识别方法流程图，具体步骤如下：
[0023]
s1、预训练自监督模型，提升提取特征的有效性；
[0024]
自监督模型中骨干网络以自监督的方式在大量无标签图像样本上进行预训练，利用相似性损失更新网络权重，最大化同一类目标的相似特征，弱化不同类目标的相似特征，实现网络对同一类别目标相似特征的有效提取。
[0025]
其中，所述预训练阶段用于自监督学习的损失称为相似性损失，其目的是区分输入向量的特征。
[0026]
将一对图像输入自监督模型时，若它们相似，则模型将其推断为1，否则为0。
[0027]
在本实施例的仿真实验中，采用了五个经典自监督模型，分别为byol、densecl、mocov2、simclr，以及simsiam。表1列出了在预训练阶段不同自监督模型的学习率设置。
[0028]
表1
[0029][0030]
通过步骤s1的预训练过程，使得网络模型能够有效提取目标特征，最大化同类目标间的相似特征，并弱化不同类目标间相似特征。再通过步骤s2中的网络训练微调，实现目标的类内特征相聚，类间特征分离。
[0031]
如图1所示，本发明的方法的框架包括两个训练阶段。第一阶段为预训练阶段，骨干网络以自监督的方式在大规模无标签的自然图像数据集imagenet上进行训练，利用相似性损失，最大化同一类目标的相似特征的同时，弱化不同类目标的相似特征，提升提取特征的有效性。第二阶段为微调阶段，将自监督网络模型中骨干网络的参数权重迁移至目标分类网络，通过输入少量带标签的雷达数据样本对分类网络进行微调，最终实现自监督模型迁移学习下小样本sar目标的精准识别。
[0032]
s2、微调分类识别网络，实现雷达图像目标识别；
[0033]
迁移所述预训练自监督模型中骨干网络的网络参数，在其后添加分类器，输入带标签的雷达目标图像样本x，设有nc类雷达目标，则使用nc维的独热向量y表示类别标签。该分类识别网络的输出为类别标签的条件概率分布，可由下式表示：
[0034][0035]
其中，θ表示包括权重w和偏置b的一系列可更新参数；添加的分类器包括：平均池化、flatten、全连接层以及softmax的操作。平均池化操作指对特征图中领域内特征点求平均值，减少邻域大小受限而造成的估计值方差增大的误差；flatten操作将输入的多维数据拉成一维的，常用于卷积层到全连接层的过渡；全连接层将每一个结点都与上一层的所有结点相连，把提取到的特征综合后映射成一维特征向量，该特征向量包含所有特征信息，可以转化为最终分类成各个类别的概率；softmax操作将上一结点输出的一维类别概率向量
映射到范围[0,1]之间，使概率总和为1。
[0036]
利用交叉熵损失对分类识别网络进行网络微调，从而实现雷达图像目标识别，损失函数可由下式表示：
[0037][0038]
其中，yc表示真值独热标签，fc(x,θ)表示分类器的特征映射函数，以获取包含每个目标类别概率的向量。
[0039]
本实施例在网络微调阶段使用雷达数据集mstar的标签图像信息，预训练阶段使用光学图像数据集imagenet预训练模型，共采用五个经典自监督模型(byol,densecl,mocov2,simclr,simsiam)进行预训练，其最终的目标识别准确率如图2所示。表2列出了本发明方法与其他小样本雷达识别方法的识别准确率比较结果。
[0040]
表2
[0041][0042]
实验结果表明，与其它目标识别方法相比，本发明方法可以有效地提高小样本的雷达目标识别网络的准确度和鲁棒性。imagenet虽然是与雷达图像不同的光学图像，但是得益于其庞大的数据量，所预训练的自监督模型能够有效最大化同类目标间的相似特征，并弱化不同类目标间相似特征。在后续的分类网络微调阶段，通过输入少量的雷达带标签数据即可实现雷达目标的精确识别。
[0043]
综上，本发明的方法能够有效鉴别目标特征和识别目标类别，解决雷达图像样本标签稀缺而导致的网络学习不充分的问题，提升网络在少量带标签的数据样本下对雷达目标的识别性能，与其它目标识别方法相比，提高了小样本雷达目标识别网络的准确度和鲁
棒性。
[0044]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

技术特征：
1.一种基于自监督模型迁移学习下的雷达目标识别方法，具体步骤如下：s1、预训练自监督模型，提升提取特征的有效性；自监督模型中骨干网络以自监督的方式在大量无标签图像样本上进行预训练，利用相似性损失更新网络权重，最大化同一类目标的相似特征，弱化不同类目标的相似特征，实现网络对同一类别目标相似特征的有效提取；其中，所述预训练阶段用于自监督学习的损失称为相似性损失；将一对图像输入自监督模型时，若它们相似，则模型将其推断为1，否则为0；s2、微调分类识别网络，实现雷达图像目标识别；迁移所述预训练自监督模型中骨干网络的网络参数，在其后添加分类器，输入带标签的雷达目标图像样本x，设有n
c
类雷达目标，则使用n
c
维的独热向量y表示类别标签；该分类识别网络的输出为类别标签的条件概率分布，可由下式表示：其中，θ表示包括权重w和偏置b的一系列可更新参数；添加的分类器包括：平均池化、flatten、全连接层以及softmax的操作；利用交叉熵损失对分类识别网络进行网络微调，从而实现雷达图像目标识别，损失函数可由下式表示：其中，y
c
表示真值独热标签，f
c
(x,θ)表示分类器的特征映射函数。

技术总结
本发明公开了一种基于自监督模型迁移学习下的雷达目标识别方法，包含两个阶段，第一阶段自监督模型中骨干网络以自监督的方式在大量无标签图像样本上进行预训练，通过相似性损失来更新网络权重，最大化同类目标的相似特征并弱化不同类目标的相似特征，实现网络对同类别目标相似特征的有效提取，第二阶段迁移预训练自监督模型中骨干网络的网络参数，利用少量带标签的雷达样本微调网络，实现雷达目标识别。本发明的方法能够有效鉴别目标特征和识别目标类别，解决雷达图像样本标签稀缺而导致的网络学习不充分的问题，提升网络在少量带标签的数据样本下对雷达目标的识别性能，与其它目标识别方法相比，提高了小样本雷达目标识别网络的准确度和鲁棒性。络的准确度和鲁棒性。络的准确度和鲁棒性。


技术研发人员：裴季方 杨建宇 刘小钰 黄钰林 王陈炜 张寅 霍伟博 杨海光 张永超
受保护的技术使用者：电子科技大学
技术研发日：2023.07.21
技术公布日：2023/9/20