一种基于迁移学习的稀疏SAR目标分类方法及装置

技术特征：
1.一种基于迁移学习的稀疏sar目标分类方法，其特征在于，包括以下步骤：(1)基于匹配滤波sar图像利用biist算法重构稀疏sar图像；(2)在源域与目标域搭建具有相同结构的卷积神经网络，并利用模拟数据集在源域对卷积神经网络做预训练；(3)将步骤(2)预训练好的卷积神经网络中的部分参数迁移至目标域的卷积神经网络上，其余参数随机初始化；(4)对目标域卷积神经网络微调并将步骤(1)得到的稀疏sar图像作为输入数据进行训练，输出得到目标分类的结果及准确率。2.根据权利要求1所述的一种基于迁移学习的稀疏sar目标分类方法，其特征在于，所述步骤(1)通过以下公式实现：述步骤(1)通过以下公式实现：述步骤(1)通过以下公式实现：述步骤(1)通过以下公式实现：述步骤(1)通过以下公式实现：述步骤(1)通过以下公式实现：其中，x
mf
为基于匹配滤波算法重构的复图像，m＝1，2，
…
，m
max
，ε表示重建的误差参数，k表示场景稀疏度，参数用于控制算法的收敛速度，取值范围为阈值算子f(
·
)写作当迭代步数达到最大值m
max
，或迭代误差residual≤ε时，循环结束；最终输出两种结果，即稀疏重建结果和非稀疏重建结果3.根据权利要求1所述的一种基于迁移学习的稀疏sar目标分类方法，其特征在于，步骤(2)所述卷积神经网络由5个卷积层，3个最大池化层和2个全连接层组成；dropout分别置于两个全连接层之后以缓解由于样本数量有限导致的过拟合问题，即按p＝0.5的概率在每次训练时都随机让一定神经元停止参与运算，减少卷积神经网络复杂度。4.根据权利要求1所述的一种基于迁移学习的稀疏sar目标分类方法，其特征在于，步骤(2)所述的模拟数据集是通过电磁仿真软件生成的仿真图像。5.根据权利要求1所述的一种基于迁移学习的稀疏sar目标分类方法，其特征在于，所述步骤(3)实现过程如下：在预训练神经网络中经卷积层得到的输出特征图表示为：其中，表示第l层中的第j个特征图，m
l-1
是第l-1层中得到的特征图数量，为卷积核中的权值，为偏差值，是一个常数；f(
·
)为非线性激活函数用于增加卷积神经网络的
非线性，即relu函数，具体表示为：relu(x)＝max(0，x)对于2个全连接层，对参数随机初始化并从头训练，未迁移的权重参数w在随机初始化时服从均匀分布，具体表示为：其中，n
in
表示当前层输入节点的数量，n
out
则表示为输出节点的数量。6.一种基于迁移学习的稀疏sar目标分类装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-5任一项所述的基于迁移学习的稀疏sar目标分类方法。

技术总结
本发明公开了一种基于迁移学习的稀疏SAR目标分类方法及装置，包括以下步骤：(1)基于匹配滤波SAR图像利用BiIST算法重构稀疏SAR图像；(2)在源域与目标域搭建具有相同结构的卷积神经网络，并利用模拟数据集在源域预训练一个神经网络；(3)将步骤(2)预训练好的神经网络中的部分参数迁移到目标域的网络上，其余参数随机初始化；(4)微调网络并将步骤(1)得到的稀疏SAR图像作为输入数据进行训练，输出得到目标分类的结果及准确率。本发明采用的稀疏重构算法可以有效抑制SAR图像的旁瓣和杂波，提升图像的质量，为后续分类网络的训练提供保障；本发明提出的基于迁移学习的稀疏SAR目标分类方法，可以加快网络训练收敛的速度，并进一步提高目标分类精度。提高目标分类精度。提高目标分类精度。


技术研发人员：毕辉 刘泽昊 张晶晶 邓佳瑞
受保护的技术使用者：南京航空航天大学
技术研发日：2022.04.02
技术公布日：2022/7/29