一种基于多指标适配数据筛选的跨平台SAR图像目标识别方法

本发明涉及合成孔径雷达（sar）目标识别，具体而言，涉及一种基于多指标适配数据筛选的跨平台 sar 图像目标识别方法，用于提高跨平台 sar 图像中飞机目标识别模型的准确率和稳定性。

背景技术：

1、sar 图像具有全天时、全天候和较强穿透观测能力，在监测、目标识别等领域具有重要应用价值。相较于光学图像，sar 图像不受光照条件和云雨雾等气象条件的显著限制，能够在复杂环境下持续获取目标回波信息，因此被广泛用于目标检测与识别任务。

2、在 sar 目标识别任务中，深度学习模型通常需要依赖大量具有代表性的训练样本。训练数据应当覆盖不同飞机类别、不同观测方位、不同成像分辨率、不同雷达波段以及不同平台成像条件下的目标散射特征。样本覆盖越充分，模型越容易学习到稳定的类别判别特征，从而提升在实际任务中的识别精度和泛化能力。

3、然而，在无人机平台 sar 识别任务中，任务相关 sar 数据通常难以充分获取。一方面，无人机平台任务数据的获取成本高、采集机会有限，难以形成规模化、类别均衡且方位角覆盖充分的训练样本；另一方面，不同平台、不同波段和不同分辨率条件下获得的 sar图像在散射强度、纹理分布、目标轮廓、背景杂波及成像几何等方面存在差异，使得直接利用已有 sar 数据训练模型时，容易出现训练数据与任务数据分布不一致的问题。

4、现有技术中，针对无人机平台 sar 飞机目标识别样本不足的问题，可将多个来源的 sar 数据进行混合，构建扩展训练集。该方式虽然能够增加训练样本数量，但不同来源sar 数据之间通常存在分辨率差异、波段差异以及平台域差异。若不加筛选地直接混合使用，低适配性数据可能引入与目标任务无关甚至相冲突的特征分布，使模型在训练过程中受到干扰，进而产生负迁移现象。也就是说，训练数据数量虽然增加，但数据质量和任务适配性并不一定提高，甚至可能降低模型在无人机平台 sar 任务数据上的识别精度。

5、具体而言，分辨率差异会影响目标的结构细节、边缘纹理和散射中心表现。当候选训练数据分辨率与任务数据分辨率差异较大时，相同目标类别在图像中的尺度、轮廓细节和局部纹理可能发生明显变化，导致识别模型难以形成稳定的类别特征。波段差异会影响雷达回波与目标材料、结构及背景之间的相互作用，不同波段下目标散射特性和背景杂波分布存在差异，进而影响模型对目标类别的判别。平台域差异则主要体现在不同成像平台、观测几何、运动状态及成像处理链路所造成的统计分布差异上，该类差异会进一步扩大候选训练数据与任务数据之间的域偏移。

6、因此，在无人机平台 sar 目标识别任务中，不能仅依据样本数量选择训练数据，也不能简单地将多个异构 sar 数据集直接混合使用。更合理的方式是，在训练模型之前，对候选 sar 训练数据集与任务需求之间的适配程度进行量化评价，优先选择与任务数据在关键成像属性和统计特征方面更接近的数据集，从而降低跨平台数据使用过程中的域偏移和负迁移风险。

7、综上，现有 sar 目标识别数据构建方法在面对无人机平台任务数据不足时，缺乏对候选训练数据与任务数据之间分辨率差异、波段差异和平台域差异的统一量化评价机制，难以有效判断不同候选数据集对目标任务的适配程度。因此，有必要设计一种跨平台sar 数据筛选方法，通过构建综合数据评分 gds，对候选训练数据进行量化排序和优选，为无人机平台 sar 飞机目标识别模型提供更加适配的训练数据基础，避免直接混合低适配性数据所造成的负迁移问题，从而提高 sar 飞机目标识别模型在无人机平台任务场景下的识别性能和泛化能力。

技术实现思路

1、针对现有技术中存在的不足，本发明提供一种基于多指标适配数据筛选的跨平台sar 图像目标识别方法，用于解决无人机平台 sar 目标识别任务中训练数据不足、多源数据差异大、直接混合训练容易造成性能退化的问题。通过构建多源 sar 候选数据池，提取候选数据的平台来源、分辨率、波段、入射角和目标类别信息，从分辨率适配性、波段适配性和跨平台域适配性三个方面构建评价指标。其中，分辨率适配性用于衡量候选训练数据与无人机平台任务数据在成像分辨率上的接近程度；波段适配性用于衡量候选训练数据与任务数据在雷达工作波段上的一致程度；跨平台域适配性用于衡量候选训练数据与任务域参考数据在图像统计特征分布上的相似程度。在此基础上，进一步构建综合数据评分 gds，将分辨率适配性、波段适配性和跨平台域适配性进行加权融合，用于对多个候选 sar 训练数据集进行统一评价和排序。随后，使用筛选后的数据训练目标识别模型，并在无人机平台sar 测试集上输出目标分类结果，验证筛选基于多指标适配策略对跨平台 sar 目标识别的提升效果。

2、本发明公开了一种基于多指标适配数据筛选的跨平台 sar 图像目标识别方法，包括：

3、步骤1、多源 sar 数据输入与任务参数初始化：

4、获取多源 sar 图像数据，包括机载、星载平台 sar 数据和无人机平台 sar 数据。根据待执行的 sar 目标识别任务，设定任务参数，包括目标类别、任务分辨率、任务波段、方位角覆盖范围；

5、步骤2、候选平台数据属性提取：

6、针对候选数据池中的每一组 sar 数据，提取其数据属性，用于后续指标评定与筛选；

7、步骤3、计算分辨率、波段和跨平台域适配指数：

8、计算候选数据与任务数据之间的分辨率适配指数rai，计算结果用于后续综合数据评分。根据候选 sar 训练数据的雷达工作波段中心频率与任务波段中心频率之间的相对差异计算波段适配指数bai，以反映波段一致性对目标识别性能的辅助影响；提取候选数据与任务数据的统计特征分布，构建跨平台域适配指数pdai，从而实现对跨平台数据域偏移及适配程度的定量描述；

9、步骤4、基于gds的综合数据评分与最优数据筛选：

10、根据分辨率适配指数、波段适配指数和跨平台域适配指数，构建综合数据评分，筛选出得分最高的数据作为训练数据；

11、步骤5、基于多指标适配数据筛选的目标识别模型训练：

12、将筛选得到的数据集作为高质量训练样本，用于构建任务域 sar 目标识别模型。所述模型用于实现无人机平台 sar 不同目标类别的自动分类识别，以提升复杂电磁环境下的目标判别能力；

13、步骤6、无人机平台 sar 目标识别结果输出：将训练后的目标识别模型应用于任务域的无人机平台 sar 测试集，输出目标分类结果和识别准确率。

14、作为本发明的进一步改进，所述步骤1，具体包括：

15、步骤101、读取候选 sar 数据集，为机载、星载平台sar数据；

16、步骤102、获取无人机平台 sar 数据作为测试集；所述测试数据与所述任务域参考数据相互独立，用于对训练完成的目标识别模型进行最终识别性能评价；

17、步骤103、设定任务分辨率、任务波段、目标类别和方位角覆盖范围；

18、步骤104、获取无人机平台任务域参考数据；

19、获取与无人机平台末端识别任务具有相同或相近成像条件的少量任务域参考数据，所述任务域参考数据可来源于无人机平台历史任务留存数据、仿真生成数据或其他能够表征无人机平台任务成像条件的数据；与任务数据具有相同的分辨率、波段和目标类别。

20、作为本发明的进一步改进，所述步骤2，具体包括：

21、步骤201、提取候选数据的分辨率信息，例如 0.5-10m；

22、步骤202、提取候选数据的波段信息，例如 c、ku；

23、步骤203、提取候选数据的方位角范围，例如0-355°；

24、步骤204、提取候选数据的目标类别覆盖情况；

25、步骤205、根据上述属性构建候选数据属性表。

26、作为本发明的进一步改进，所述步骤3，具体包括：

27、步骤301、衡量每组候选数据与任务数据之间的分辨率差异，计算候选数据的分辨率适配指数 rai；设候选数据分辨率为 ，无人机平台目标识别任务分辨率为 ，则构建分辨率适配指数 rai：

28、

29、其中，rai 越大，说明候选数据与任务分辨率越匹配。其范围是(0,1]。

30、步骤302、衡量候选数据与任务数据之间的波段差异，计算波段适配指数 bai；

31、由于波段对识别准确率有影响但影响程度小于分辨率，因此本发明将波段匹配作为辅助筛选因子。设候选数据波段为 ，任务波段为 ，则构建波段适配指数 bai：

32、

33、其中， 的取值范围为(0,1]。当候选数据波段与无人机平台任务波段一致时，bai=1；候选数据波段与任务波段之间的差异越大，所述波段差异系数越大，bai越小。波段适配指数用于后续综合数据评分计算。

34、步骤303、提取候选数据和任务数据的统计特征，计算跨平台域适配指数 pdai；

35、为衡量候选数据与无人机平台任务数据之间的平台域差异，分别对候选数据集和无人机平台任务域参考数据集中的 sar 图像提取图像统计特征。所述图像统计特征包括图像均值、标准差、信息熵、能量、对比度、等效视数及梯度能量中的一种或多种。

36、对于第 (i) 个候选数据集中的第 (c) 类目标，设其图像统计特征样本集合为：

37、

38、无人机平台任务域参考数据集中第 (c) 类目标的图像统计特征样本集合为：

39、

40、其中，(c) 表示目标类别，表示第 (i) 个候选数据集中第 (c) 类目标的图像数量，表示无人机平台任务域参考数据集中第 (c) 类目标的图像数量。

41、将候选数据集和无人机平台任务域参考数据集的图像统计特征映射至统一的(k) 个统计区间或聚类中心，并统计各统计区间内的样本数量。对第 (k) 个统计区间进行平滑和归一化处理，得到候选数据集的统计特征概率分布以及无人机平台任务域参考数据集的统计特征概率分布：

42、

43、

44、其中，表示第 (i) 个候选数据集中第 (c) 类目标落入第 (k) 个统计区间的样本数量，表示无人机平台任务域参考数据集中第 (c) 类目标落入第(k) 个统计区间的样本数量，为平滑因子，(k) 为统计区间数量或聚类中心数量。

45、计算候选数据集相对于任务域参考数据集的 kl 散度：

46、

47、计算任务域参考数据集相对于候选数据集的 kl 散度：

48、

49、进一步计算第 (i) 个候选数据集在第 (c) 类目标上的对称 kl 散度：

50、

51、根据对称 kl 散度，构建第 (i) 个候选数据集在第 (c) 类目标上的跨平台域适配指数：

52、

53、对全部目标类别的跨平台域适配指数进行加权求和，得到第 (i) 个候选数据集的总体跨平台域适配指数：

54、

55、其中，(c) 为目标类别数，为第 (c) 类目标的权重，且满足：

56、

57、当各目标类别的重要性相同时，令：

58、.

59、作为本发明的进一步改进，所述步骤4，具体包括：

60、步骤401、对候选数据计算综合数据评分 gds；

61、

62、其中，、、 分别为不同指标的权重。满足：

63、

64、由于分辨率影响比波段大，设置 ，使分辨率适配在综合评分中占主导作用；波段匹配作为辅助因素参与排序。

65、步骤402、按照 gds 从高到低对候选数据进行排序；

66、步骤403、选取得分最高的一个或多个候选 sar 训练数据集作为入选训练数据集。在入选训练数据集中，根据目标类别均衡约束和方位角覆盖约束进行分层抽样，得到 n张sar训练图像；

67、步骤404、输出筛选后的数据属性信息。

68、作为本发明的进一步改进，所述步骤5，具体包括：

69、步骤501、构建目标识别模型；

70、构建基于残差学习机制的深度卷积神经网络resnet-50，包括输入层、多个残差块、全局平均池化层及分类层。

71、设输入sar图像为：

72、

73、经过特征提取网络后得到深层特征表示：

74、

75、其中， 表示网络参数。

76、分类层采用全连接层，其输出为：

77、

78、其中， 和  为可学习参数， 为目标类别概率分布。输出维度设置为目标类别数 c。

79、步骤502、模型训练与优化；

80、将步骤四获得的筛选数据集记为：

81、

82、采用监督学习方式对模型进行训练，通过最小化交叉熵损失函数优化模型参数：

83、

84、步骤503、模型验证与权重保存

85、在训练过程中，将筛选数据集按比例划分为训练集与验证集，实时监控验证集损失函数与分类准确率变化。

86、当模型在验证集上达到最优性能时，保存模型参数：

87、

88、并将训练完成的模型权重保存为标准格式（如.pth或.ckpt），用于后续无人机平台目标识别任务部署。

89、作为本发明的进一步改进，所述步骤6，具体包括：

90、步骤601、读取任务域的无人机平台 sar 测试数据；

91、步骤602、将测试图像输入训练后的目标识别模型；

92、步骤603、输出每幅图像的目标类别预测结果；

93、步骤604、计算整体分类准确率；

94、步骤605、输出最终识别结果。

95、与现有技术相比，本发明的有益效果为：

96、本发明的基于多指标适配数据筛选的跨平台 sar 图像目标识别方法通过引入平台域适配指数，有效降低候选机载、星载平台与任务域无人机平台数据之间的分布偏移对模型训练的影响，减少负迁移现象。

97、本发明的基于多指标适配数据筛选的跨平台 sar 图像目标识别方法通过建立多源sar数据筛选与排序机制，实现对候选数据的优选利用，相比全量混合训练方法，减少冗余数据，提高数据利用效率。

98、本发明的基于多指标适配数据筛选的跨平台 sar 图像目标识别方法通过引入综合数据评分机制，实现对候选数据的量化评价与自动选择，提高模型训练过程的稳定性与收敛速度。