基于类模糊正则化的跨分辨率雷达图像域适应识别方法

本发明属于雷达信号处理，具体涉及一种基于类模糊正则化的跨分辨率雷达图像域适应识别方法。

背景技术：

1、sar自动目标识别是sar应用领域的研究热点，对于sar自动目标识别技术，现有方法过于依赖经验，缺乏灵活性。因此，将深度学习应用于sar自动目标识别方法具有重要意义。

2、文献“target classification using the deep convolutional networks forsar images，ieee transactions on geoscience and remote sensing，vol.54，no.8，pp.4806–4817，2016.”提出了一种全卷积网络，用卷积层取代所有密集层，表现了出色的识别性能。文献“sar atr by a combination of convolutional neural network andsupport vector machines，ieee transactions on aerospace and electronicsystems，vol.52，no.6，pp.2861–2872，2016.”提出了卷积神经网络和支持向量机的组合，以结合先验知识并增强其对成像错误的鲁棒性。文献“ldgan：asynthetic aperture radarimage generation method for automatic target recognition，ieee transactions ongeoscience and remote sensing，vol.58，no.5，pp.3495–3508，2020.”提出了一种新的图像到图像生成方法，为识别模型训练提供标记样本，当样本不足时，有效地补充了自动目标识别的目标信息。然而，现有的基于深度学习的sar自动目标识别方法通常假设测试样本和训练样本有一样的成像分辨率，但实际上该假设很难满足，从而导致不同分辨率域之间的域移位并降低跨分辨率域sar样本的模型识别性能。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于类模糊正则化的跨分辨率雷达图像域适应识别方法，实现有效的域自适应性，并且表现出出色的跨分辨率识别性能。

2、本发明采用的技术方案为：一种基于类模糊正则化的跨分辨率雷达图像域适应识别方法，具体步骤如下：

3、s1、跨分辨率域自适应识别的问题建模；

4、在跨分辨率sar图像识别任务中，将具有r分辨率的标记sar数据表示为从中得到；将具有r′分辨率的未标记sar数据表示为

5、其中，xi表示sar样本，yi表示标签，n表示源域已标记的sar样本数量；m表示目标域未标记的样本数；表示sar数据空间，表示标记空间；标记数据的分布是源域未标记数据的分布是目标域

6、来自目标域的未标记数据是真正需要识别的数据，则将目标域的识别误差定义为：

7、

8、其中，表示目标域上的识别误差，hf表示一个分类函数，表示期望，θ(·)表示指示函数。则跨分辨率域自适应识别的问题表达式如下：

9、

10、其中，表示使目标域的识别误差最小化的最佳标记函数，表示假设类。

11、s2、对抗域自适应；

12、分辨率为r和r′的sar图像之间的域自适应可描述为对应的图像尺寸分别为sr和sr′。训练样本{x1,x2,...,xn}来自源域数据集和目标域数据集，n表示训练样本个数，将第i个样本的域标签表示为二进制变量di，若di为0，则说明xi来自源域，否则来自目标域。

13、对抗域自适应通过特征提取器、域判别器和分类器三个模块实现，具体如下：

14、(1)特征提取器；

15、特征提取前，将sar样本{x1,x2,...,xn}大小调整至s*：s*＝max{sr,sr′}。则特征提取器等效为一个映射函数，将sar图像x变化为d维特征向量即：

16、f＝gf(x；θf)         (3)

17、其中，表示实数域，表示特征提取器的映射函数，θf表示特征提取器的参数。

18、(2)域判别器；

19、基于提取的特征向量f，域判别器确认sar图像x来自源域还是目标域，并给出对应的二进制域标签di∈{0,1}，其表达式如下：

20、d＝gd(f；θd)         (4)

21、其中，表示域判别器的映射函数，θd表示域判别器的参数。

22、(3)分类器；

23、分类器利用提取的sar图像特征进行目标特征预测并输出一个c维预测向量识别过程表达式如下：

24、

25、其中，c表示类别的数量，表示分类器的映射函数，θy表示分类器的参数。

26、s3、类模糊正则化；

27、使用每个类别的预测概率之间的相关性来表示类模糊，将预测结果组合为矩阵，其表达式如下：

28、

29、其中，m表示一个批次中sar样本的数量，fm表示第m个样本的特征，第j列向量反应所有m个输入样本的第j类概率，表示的第m行向量。类之间的概率相关性cjj′表达式如下：

30、

31、其中，表示的第j列向量，j,j′∈(1,...,c)并且j≠j′，上标t表示转置。

32、然后采用式(8)给出的类归一化：

33、

34、其中，表示类之间的归一化概率相关性，j″∈(1,...,c)。则类模糊正则化函数表达式如下：

35、

36、s4、损失函数构建；

37、损失函数由分类器损失项、域判别器损失项和类模糊正则化项构成，用交叉熵表示分类器损失项，表达式如下：

38、

39、其中，n表示来自源域的sar图像的数量，yi表示第i个sar图像的标签向量，表示第i个sar图像的预测向量。域判别器损失项ldi则由二进制交叉熵函数表示，表达式如下：

40、ldi＝-diloggd(gf(xi))-(1-di)log(1-gd(gf(xi)))     (11)

41、则来自源域和目标域的所有sar图像的域判别器损失函数表达式如下：

42、

43、其中，m表示来自目标域的未标记sar图像的数量。

44、则总损失函数l表达式如下：

45、l＝ly(θf,θy)-ld(θf,θd)+γlc(θf,θy)       (13)

46、其中，γ表示类模糊正则化项系数。参数更新过程表达式如下：

47、

48、其中，μ表示学习率，分别表示θf,θd,θy的梯度。在损失函数极小值处获得最佳的分类器参数特征提取器参数和域判别器参数表达式如下：

49、

50、本发明的有益效果：本发明的方法首先采用对抗学习的思想设计特征提取器和域判别器，实现域差异的最小化，然后利用分类器学习源域sar图像的类别信息，实现对已标记区域的准确识别，并将其调整到未标记目标区域，最后通过类模糊正则化，最大限度地减少未标记分辨率域的识别错误，实现未标记分辨率域上的识别误差最小化。本发明的方法基于类模糊正则化的sar跨分辨率域自适应最大限度地减小了未标记分辨率域上的识别误差，解决了现有方法中不同分辨率域之间存在差异的问题，实现了有效的域自适应性，并且表现出出色的跨分辨率识别性能，为进一步的目标识别奠定了良好的基础。