无源跨传感器SAR目标检测方法、装置、设备及介质
本技术涉及合成孔径雷达,特别是涉及一种无源跨传感器sar目标检测方法、装置、设备及介质。
背景技术:
1、合成孔径雷达(sar)技术因其能够在任何时间和天气条件下工作而受到重视,它通过发射电磁波并接收反射回来的信号来获取目标信息。这项技术在民用遥感领域方面发挥着关键作用。
2、传统的sar目标检测方法通常依赖于目标的物理属性来完成对目标的精确定位。这类方法通常是通过比较目标和背景的特征分布来对目标进行定位。但是,传统的检测方法容易出现较多的虚警,导致检测率下降。近年来,深度学习在遥感图像分析中取得了显著的进步,大大提升了检测的精度和效率。目前,深度神经网络已经被广泛应用于sar目标检测和识别任务中,并且取得了显著的效果,表现出了优异的性能。
3、在现有研究中,训练和测试数据大多来自同一传感器,具有相同的分布。随着sar成像传感器种类的不断增加,实际应用中常常会面临着新传感器数据的场景。利用旧传感器训练的模型在新传感器数据上难以取得较好的检测性能,面临着泛化性降低的问题。常见的解决方法是使用无监督域适配来完成源域和目标域的特征对齐,进而实现不同传感器数据特征的泛化。然而,现实场景中由于sar数据存储的有限性和链路实时性等原因,模型训练时只能接触到源域预训练模型,而难以接触到源域数据。如何在无源条件下实现跨传感器sar目标检测成为实际应用中一个亟待解决的挑战。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够在无源条件下实现跨传感器sar目标检测并实际应用的无源跨传感器sar目标检测方法、装置、设备及介质。
2、一种无源跨传感器sar目标检测方法,所述方法包括:
3、获取源域训练数据集以及目标域训练数据集;
4、利用所述源域训练数据集对源域模型进行预训练,得到预训练的源域模型,将预训练好的源域模型作为教师模型,将未训练的目标域模型作为学生模型;
5、对所述目标域训练数据集进行弱增强和强增强得到弱增强样本以及强增强样本;
6、将所述弱增强样本输入至所述教师模型中,得到源域特征图以及源域预测结果,将所述强增强样本输入至学生模型中,得到目标域特征图,利用原型知识引导单元将源域特征图中的域知识引导至目标域特征图中,得到原型引导后的目标域特征图,并基于所述原型引导后的目标域特征图得到目标域预测结果;
7、将所述源域预测结果作为伪标签,与目标域预测结果构建结构化知识蒸馏损失,并利用基于置信度的不确定性加权机制对所述结构化知识蒸馏损失进行优化,得到优化后的结构化知识蒸馏损失;
8、利用优化后损失函数对学生模型和教师模型进行更新,经过多次迭代训练后,得到训练后的学生模型;
9、获取目标域sar图像,将所述目标域sar图像输入至所述训练后的学生模型中得到目标检测结果,实现无源跨传感器sar目标检测。
10、在其中一实施例中,所述源域模型和目标域模型均包括特征提取器和目标预测器。
11、在其中一实施例中,进行弱增强时,对sar训练图像进行随机水平翻转和裁剪增强;
12、进行强增强时,对所述sar训练图像进行随机颜色抖动、灰度化、高斯模糊和切割斑块增强。
13、在其中一实施例中,在所述原型知识引导单元中:
14、分别对所述源域特征图以及目标域特征图进行通道注意力加权的全局平均池化操作,得到源域原型表示以及目标域原型表示;
15、计算所述源域原型表示以及目标域原型表示之间的余弦相似度,通过所述余弦相似度,将所述源域特征图中的域知识引导至目标域特征图中,得到原型引导后的目标域特征图。
16、在其中一实施例中,所述原型引导后的目标域特征图,表示为:
17、;
18、在上式中,表示所述原型引导后的目标域特征图,表示所述余弦相似度,、分别表示所述源域特征图以及目标域特征图。
19、在其中一实施例中,所述优化后的结构化知识蒸馏损失表示为:
20、;
21、在上式中,表示所述结构化知识蒸馏损失,表示优先级加权系数,表示平衡因子。
22、本技术还提供了一种无源跨传感器sar目标检测装置,所述装置包括:
23、源域训练数据集获取模块,用于获取源域训练数据集以及目标域训练数据集;
24、师生模型构建模块,用于利用所述源域训练数据集对源域模型进行预训练,得到预训练的源域模型,将预训练好的源域模型作为教师模型,将未训练的目标域模型作为学生模型;
25、样本增强模块,用于对所述目标域训练数据集进行弱增强和强增强得到弱增强样本以及强增强样本;
26、目标预测模块,用于将所述弱增强样本输入至所述教师模型中,得到源域特征图以及源域预测结果,将所述强增强样本输入至学生模型中,得到目标域特征图,利用原型知识引导单元将源域特征图中的域知识引导至目标域特征图中,得到原型引导后的目标域特征图,并基于所述原型引导后的目标域特征图得到目标域预测结果;
27、蒸馏损失构建模块,用于将所述源域预测结果作为伪标签,与目标域预测结果构建结构化知识蒸馏损失,并利用基于置信度的不确定性加权机制对所述结构化知识蒸馏损失进行优化,得到优化后的蒸馏损失;
28、目标域检测模型得到模块,用于利用优化后损失函数对学生模型和教师模型进行更新,经过多次迭代训练后,得到训练后的学生模型;
29、无源跨传感器sar目标检测模块,用于获取目标域sar图像,将所述目标域sar图像输入至所述训练后的学生模型中得到目标检测结果,实现无源跨传感器sar目标检测。
30、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述无源跨传感器sar目标检测方法中的步骤。
31、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述无源跨传感器sar目标检测方法中的步骤。
32、上述无源跨传感器sar目标检测方法、装置、设备及介质,利用源域训练数据集对源域模型进行预训练,得到预训练的源域模型,将预训练好的源域模型作为教师模型,将未训练的目标域模型作为学生模型,对源域训练数据集中的各张sar训练图像分别进行弱增强和强增强得到弱增强样本以及强增强样本,将弱增强样本输入至教师模型中,得到源域特征图以及源域预测结果,将强增强样本输入至学生模型中,得到目标域特征图,利用原型知识引导单元将源域特征图中的域知识引导至目标域特征图中,得到原型引导后的目标域特征图,并基于原型引导后的目标域特征图得到目标域预测结果,将源域预测结果作为目标域预测结果的伪标签,与目标域预测结果构建结构化知识蒸馏损失,并利用基于置信度的不确定性加权机制对结构化知识蒸馏损失进行优化,得到优化后的结构化知识蒸馏损失,利用优化后损失函数对学生模型中的可调参数进行更新,并利用更新后的学生模型对所述教师模型进行更新,通过对学生模型和教师模型进行多次迭代训练,直至收敛,得到训练后的学生模型,最后将目标域sar图像输入至训练后的学生模型中得到目标检测结果,实现无源跨传感器sar目标检测。采用本方法实现在没有目标域标签的情况下进行训练有效实现跨域目标检测。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com