买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种SAR图像船舶目标生成与分类方法，其包括训练测试集合构建；构造生成器；判别器经过特征提取网络和三个多任务学习子网络，输出为三元组特征、类别预测和真伪预测结果，更新判别器和生成器的网络参数；计算真实图像的类别预测损失，生成图像的类别预测损失；将判别器中特征向量输入至全连接层，优化三元组特征，学习与类别相关的可区分性特征；基于生成器和判别器以及所构建的损失函数，构建总体损失函数，对生成器和判别器进行交替优化；使用判别器对输入的测试图像进行分类。本发明能够减少人工手动标注的成本，防止算法过拟合，提高分类器的鲁棒性和泛化能力，增加分类空间中不同类别的区分度。

主权项：1.一种SAR图像船舶目标生成与分类方法，其特征在于其包括如下步骤：步骤1、训练测试集合构建：采集SAR船舶目标图像，并划分训练和测试样本集合；然后对训练样本进行样本扩增，使各个类型的训练样本数量与训练样本数量最多的类的训练样本数量相同；步骤2、生成器G构造：根据输入向量z′生成与训练图像分布一致的生成图像xfake；其中，输入向量z′由公式1获得，该公式中embeddingyfake表示由类别标签yfake转化得到长度为m的向量，具体转化过程如下：假设分类任务包含{1，...,C}共C个类别，首先随机产生维度为C×m的随机矩阵M，然后随机产生类别标签yfake∈{1，...,C}，并将其转化为维度为1×C的one-hot标签yoh，再计算yoh×M，最终获得长度为m的向量embeddingyfake；将上述向量embeddingyfake与随机产生的长度为m的噪声向量z逐元素相乘，最终获得生成器的输入向量z′； 其中表示逐元素相乘；然后，生成器G以输入向量z′作为输入，输出生成图像xfake，基于DCNN构造生成器G，生成器G包括一个转换模块、2个UC模块和一个生成模块；2个UC模块为UC1模块和UC2模块，对于输入向量z′，转换模块通过全连接FC、reshape操作和批量归一化BN将z′从一维向量转换为三维特征图，然后输入UC模块；UC模块首先通过Upsampling层对上一模块输出的三维特征图进行2倍上采样，然后通过卷积层Conv、批量归一化层BN和激活层LeakyReLU实现特征学习；最后，生成模块通过卷积层Conv将UC2模块输出的三维特征图减少，并通过Tanh函数将上述三维特征图中的值约束至-1，1；步骤3、判别器D网络结构设计；判别器D的输入为真实图像xreal和步骤2生成器G所输出生成图像xfake混淆之后的数据块，经过特征提取网络和三个多任务学习子网络后，输出为三元组特征、类别预测结果和真伪预测结果，并使用相应损失更新判别器D和生成器G的网络参数，所述三个多任务学习子网络为三元组特征学习子网络、类别预测子网络和真伪预测子网络；具体包括：采用去除FC层的预训练ResNet18作为特征提取网络；将b张输入图像输入至特征提取网络，获得b个特征图，并通过全局平均池化层GAP和Reshape层将上述b个特征图转换为b个特征向量，然后利用L2归一化对上述b个特征向量进行归一化，最终获得b个特征向量；最后，将上述特征向量分别输入至上述三个多任务学习子网络中；类别预测子网络通过softmax函数获得对判别器D所输入图像的类别预测值： 其中C表示类别数量，pi,pji,j＝1，2，…，C表示softmax输出的分类向量，qi表示输入图像属于第i个类别的概率，即类别预测值；真伪预测子网络采用sigmoid函数将输出映射至0，1，获得对输入图像的真伪预测值： 其中v表示二分类向量，pv表示输入图像属于真实类别的概率，即真伪预测值；步骤4、分类子网络平滑标签构造与损失函数构建：步骤3所构造判别器D的输入图像为真实图像xreal和生成图像xfake混淆之后的数据块；将上述两种图像输入类别预测子网络，对于真实图像xreal，基于硬标签采用交叉熵损失计算真实图像xreal的类别预测损失；对于生成图像xfake，基于平滑标签计算生成图像的类别预测损失；具体包括：将上述两种图像输入类别预测子网络并获得类别预测值qi，然后分别计算损失：对于真实图像xreal，直接采用硬标签进行计算，硬标签可以表示为： 其中yii＝1,2,…,C表示一个独热编码向量，当所输入真实图像xreal属于第i个类别时yi＝1；类别预测子网络通过softmax函数输出真实图像xreal属于每个类别的概率qi，见公式2，然后采用交叉熵损失计算真实图像xreal的类别预测损失lCE： 对于生成图像xfake，计算平滑标签分配至生成器G所输出的生成图像xfake，用于计算生成图像的类别预测损失，所计算平滑标签为长度为C的向量其中表示生成图像xfake在类别i的平滑标签，其含义为该图像属于类别i的概率，可以由公式6计算： 其中ε是超参数，C表示类别数量；对生成图像xfake根据公式2获得类别预测值qi，生成图像的类别预测损失lSL-CE可以表示为： 步骤5、三元组损失构建：将步骤3判别器中特征提取网络所学特征向量输入至全连接层FC，获得三元组特征学习子网络的输出ftriplets，使用三元组损失优化三元组特征，学习与类别相关的可区分性特征；具体包括：假设xa为随机采样获得的真实图像，xp为与xa属于同一类别的真实图像，xn为与xa属于不同类别的真实图像，fx为真实图像经过特征提取网络和三元组特征学习子网络后所获得的特征向量，则选择fx中不满足以下距离约束的输入图像构造三元组样本xa,xp,xn：dfxa,fxp+α＜dfxa,fxn8其中d·表示欧几里得距离，α为分类间隔；对于满足公式8约束的样本，其损失值为0，对于不满足公式8的三元组样本，损失值为xa与xp和xn通过fx所学特征向量的距离差，即三元组损失ltriplets：ltriplets＝dfxa,fxp-dfxa,fxn9步骤6、生成器与判别器损失函数构建：基于步骤2、3所构建生成器和判别器网络以及步骤4、5所构建的损失函数，分别构建生成器G和判别器D的总体损失函数，并使用所构造总体损失函数分别对生成器和判别器进行交替优化；具体包括：首先，对于判别器D中的真伪预测子网络，使用二分类交叉熵损失函数计算真伪预测损失lBCE以区分真实图像xreal和生成图像xfake，可以表示为：lBCE＝-yv*logpv+1-yv*log1-pv10其中yv表示真伪二分类标签，当输入图像为真实图像时yv＝0，当输入图像为生成图像时yv＝1；pv为由公式3计算得到的输入图像的真伪预测值；然后，构造生成器G的总损失函数LG；该函数由真伪预测损失lBCE和生成图像的类别预测损失lSL-CE两个部分组成，其公式如下： 其中表示根据公式6所计算的生成图像的平滑标签；λ1、λ2表示权衡参数；最后，构造判别器D的总损失函数；通过公式10所述真伪预测损失lBCE、公式7所述生成图像的类别预测损失lSL-CE、公式5所述真实图像的类别预测损失lCE和公式9所述三元组损失ltriplets进行优化；判别器D的总损失函数LD公式如下： 其中xreal、xfake分别表示真实图像和生成图像，yreal表示真实图像的硬标签，表示生成图像的平滑标签，yv为公式10所述真伪二分类标签，xa,xp,xn为公式8所构造三元组样本，λii＝3,4,···,7表示权衡参数；步骤7、模型训练与测试：对由步骤2至步骤6所构造模型进行训练，训练结束后，使用判别器对输入的测试样本进行分类。

全文数据：

权利要求：

百度查询： 中国人民解放军海军航空大学 一种SAR图像船舶目标生成与分类方法