本發明涉及基于CAE與HL?CNN的小樣本SAR目標識別方法，屬于基于深度學習的模式識別以及雷達目標識別技術領域。所述小樣本SAR目標識別方法，采用遷移學習方法將CAE特征表示學習網絡與非貪婪的HL?CNN分類網絡結合起來；CAE特征表示學習網絡通過重構訓練集中的圖像，得到一個完備的特征表示，防止非貪婪的分類網絡因特征提取不足而導致分類性能下降，HL?CNN分類網絡采用基于最大類間間距的hinge loss分類器對CAE學習到的特征表示微調并得到分類網絡，有效防止過擬合現象的發生。所述方法防止了小樣本下的過擬合現象，在較少訓練樣本下獲得了相比A?ConvNet和傳統CNN更高的測試精度。

技術領域

本發明涉及基于CAE與HL-CNN的小樣本SAR目標識別方法，屬于基于深度學習的模式識別以及雷達目標識別技術領域。

背景技術

SAR目標識別是雷達高分辨圖像解譯的一項重要課題，在民用和軍事領域均有良好的應用價值。經典的SAR目標識別實現主要包括特征提取和分類兩個步驟。在傳統的研究中，特征經手工提取，然后輸入到設計的分類器中進行分類。但手工提取特征依賴于大量的專業知識和經驗，使得分類效果難以保證。CNN是模式識別領域一種典型的深度學習結構，在圖像分類和語音識別領域獲得了優異的性能。與傳統的SAR目標識別技術不同，CNN不需要特定領域的知識，而是自動分層提取特征。近年來，研究人員將CNN用于SAR目標識別，提出了一系列基于CNN的SAR目標識別方法，取得了一定成果。然而，大多數基于CNN的模型都是數據驅動的，由于SAR圖像數據相比光學圖像數據難以獲取且相對昂貴，當訓練數據不足時，會發生嚴重的過擬合現象，使得分類精度降低。

針對上述問題，研究人員已經做了一些工作，但還存在一些問題，其中，兩個主要的發現促使提出本發明的小樣本SAR圖像目標識別方法：

第一，現有基于CNN的小樣本SAR圖像目標識別方法主要基于三種思路，即:數據擴充、網絡參數壓縮、分類器改進，但是，其中只有極少文獻討論了進一步減少訓練樣本時的識別性能。

第二，經典CNN中使用softmax等貪婪分類器也是導致過擬合的一個因素，雖然已有方法使用了基于最大類間間距準則對CNN的分類器進行了改進，如結合SVM分類器對CNN進行改進，但是，直接使用這類非貪婪的分類器改進CNN又會造成網絡特征提取不足以及難以訓練的問題，最終導致識別性能下降。

因此，通過平衡卷積神經網絡的貪婪性，解決小樣本下基于CNN的SAR圖像目標識別過擬合的問題具有重要意義。

發明內容

本發明的目的是為了解決基于CNN模型用于SAR圖像目標識別時，由于訓練樣本較少時引起的識別精度下降的問題，提出了一種基于CAE與HL-CNN的小樣本SAR目標識別方法。

所述小樣本SAR目標識別方法，包含兩個網絡的構建與訓練，分別為CAE特征表示學習網絡與HL-CNN分類網絡；

其中，CAE，即卷積自編碼器，英文全稱為Convolutional Auto-encoder；HL-CNN，英文全稱為hinge loss CNN；CNN，即卷積神經網絡，英文全稱為Convolutional NeuralNetwork；SAR，即合成孔徑雷達，英文全稱為Synthetic Aperture Radar；

CAE特征表示學習網絡通過重構訓練集中的圖像自動學習圖像的特征，得到一個完備的特征表示，防止使用非貪婪的分類網絡時因特征提取不足而導致分類性能下降的問題；

HL-CNN分類網絡采用一種基于最大類間間距準則的非貪婪分類器對CAE特征表示學習網絡學習到的特征表示微調并得到分類網絡，能有效防止過擬合現象的發生；

其中，CAE特征表示學習網絡重構圖像自動學習圖像的特征即通過優化目標h_w(x)≈(x)學習x的特征表示，式中，h表示重構函數，x為給定的一個輸入圖像，下標w表示網絡的權值；