CN116030300A - 一种用于零样本sar目标识别的渐进式域自适应识别方法 - Google Patents

Abstract

本发明公开了一种用于零样本SAR目标识别的渐进式域自适应识别方法，包括：将仿真数据样本和实测数据样本导入到特征对齐网络中，提取第一特征信息和第二特征信息；根据第一特征信息和第二特征信息计算得到分布差异；基于第一损失函数得到训练后的特征对齐网络；利用训练后的特征对齐网络预测无标签的实测数据集，并给无标签的实测数据集赋予伪标签，得到伪标签的第一实测数据集；对第一实测数据集进行伪标签去噪处理，得到伪标签去噪的实测数据集；将伪标签去噪后的实测数据集导入上述训练后的特征对齐网络，以调整网络参数；将待分类的数据输入至调整后的特征对齐网络，得到最终的分类识别结果。本发明有效地去除了包含噪声的伪标签数据，从而使得识别的结果更加稳定。

Description

一种用于零样本SAR目标识别的渐进式域自适应识别方法

技术领域

本发明属于雷达技术领域，具体涉及一种用于零样本SAR目标识别的渐进式域自适应识别方法。

背景技术

合成孔径雷达(SAR)数据已广泛应用于军事侦察、灾害预警、环境监测等多个领域。SAR自动目标识别(ATR)技术，旨在识别SAR图像的目标类型，该项技术得到了广泛的研究。对于SAR-ATR，为了保证分类器有效的识别性能，通常需要大量的标记数据来训练分类器。因此，缺少训练数据将会影响识别性能。通过仿真技术生成SAR图像是一种有效的获取数据的方式。但是由于各种原因，仿真图像与实测图像的分布之间会存在差异，导致仿真图像的应用存在局限性。因此，使用仿真图像的关键在于克服仿真图像与实测图像之间的差异。

最近几年中，美国空军研究实验室(AFRL)提供的SAMPLE数据集，其中包含仿真的SAR目标数据，用于零样本SAR目标识别问题的研究。

目前已有部分学者研究了仿真数据在识别中的应用，大致可分为以下几类：

(1)预训练。

Malmgren-Hansen等人在2017年发表的论文“Improving SAR Automatic TargetRecognition Models With Transfer Learning From Simulated Data”(IEEEGeoscience and Remote Sensing Letters)中先利用大量仿真SAR数据对分类器进行预训练，然后再利用少量实测SAR数据对预训练的网络进行微调。

(2)数据变换或数据增强。

Liu等人在2018年发表的论文“SAR Target Classification with CycleGANTransferred Simulated Samples”(IEEE International Geoscience&Remote SensingSymposium)中提出了使用循环一致性生成对抗网络(CycleGAN)对仿真数据进行转换，使仿真数据与真实数据更加相似，然后将变换后的仿真数据与实测数据同时用于训练网络。

(3)特征设计。

Dong等人在2022年发表的论文“Ahierarchical receptive network orientedto target recognition in SAR images”(Pattern Recogn)中提出了一个新的分层接受式神经网络。首先通过一系列精细的卷积滤波器建立了一个信号导向的接受模块，然后用来编码经验特征和知识。最终经过进一步细化后的特征被用来进行模型训练。

(4)领域自适应方法。

He等人在2021年发表的论文“SAR target recognition based on task-drivendomain adaptation using simulated data”(IEEE Geosci.Remote.Sens.Lett)提出了一种任务驱动的领域适应(TDDA)转移学习方法，它可以减小训练和测试数据之间的俯仰角度差异造成的识别能力下降，该方法通过训练时引入SAR成像条件的相关信息，用于减少训练和测试数据之间的领域分布差异。

(5)其他方法。

如神经结构搜索，或探索现有方法的有效性，并整合一些有效方法。如Inkawhich等人在2021年发表的论文“Bridging a gap in SAR-ATR:training on fully syntheticand testing on measured data”中通过使用基于深度学习的ATR模型，提出了数据增强、模型构建、损失函数选择和组合使用的方法，以增强从仿真数据中学习到的特征信息。

上述方法均在训练过程中或多或少的使用了含有标签的实测数据进行训练，而目前获取足够的实测SAR图像用于训练仍然是不易的，甚至对于一些复杂任务，即便是少量的实测数据都难以获得。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种用于零样本SAR目标识别的渐进式域自适应识别方法。本发明要解决的技术问题通过以下技术方案实现：

一种用于零样本SAR目标识别的渐进式域自适应识别方法，所述渐进式域自适应识别方法包括：

步骤1、获取有标签的仿真数据样本和无标签的实测数据样本；

步骤2、将所述有标签的仿真数据样本和所述无标签的实测数据样本分别导入到特征对齐网络中，对应提取第一特征信息和第二特征信息；

步骤3、根据所述第一特征信息和所述第二特征信息计算得到分布差异，并将所述分布差异作为域自适应损失；

步骤4、根据所述域自适应损失和所述有标签的仿真数据样本对应的第一分类损失得到第一损失函数，以基于所述第一损失函数得到训练后的特征对齐网络；

步骤5、利用所述训练后的特征对齐网络预测无标签的实测数据样本，并给所述无标签的实测数据样本赋予伪标签，得到伪标签的第一实测数据集；

步骤6、对所述第一实测数据集进行伪标签去噪处理，得到伪标签去噪的实测数据集；

步骤7、将所述伪标签去噪的实测数据集导入所述训练后的特征对齐网络，以调整网络参数，得到调整后的特征对齐网络；

步骤8、将待分类的数据输入至所述调整后的特征对齐网络，得到最终的分类识别结果。

在本发明的一个实施例中，所述步骤1包括：

步骤1.1、对第一仿真图像添加散斑噪声，得到第二仿真图像；

步骤1.2、将所述第一仿真图、所述第二仿真图像和第一实测图像剪裁到统一大小，对应得到第三仿真图像、第四仿真图像和第二实测图像；

步骤1.3、将所述第三仿真图像、所述第四仿真图像和所述第二实测图像归一化到[0,255]范围，得到第五仿真图像、第六仿真图像和第三实测图像，所有的有标签的第五仿真图像和有标签的第六仿真图像组成所述仿真数据样本，所有的无标签的第三实测图像组成所述实测数据样本。

在本发明的一个实施例中，所述特征对齐网络包括十层网络架构，第一层为卷积层L1、第二层为maxPooling层L2、第三层为卷积层L3、第四层为maxPooling层L4、第五层为卷积层L5、第六层为maxPooling层L6，第七层为卷积层L7、第八层为avgPooling层L8、第九层为卷积层L9、第十层为softmax分类器层L10；

其中，所述卷积层L1、所述卷积层L3、所述卷积层L5、所述卷积层L7的卷积核大小为5×5，并在所述卷积层L7之后添加dropout操作，所述卷积层L9的卷积核大小为4×4，最后通过所述softmax分类器层L10输出识别结果。

在本发明的一个实施例中，所述第一特征信息和所述第二特征信息均为所述特征对齐网络的所述卷积层L7输出的特征信息。

在本发明的一个实施例中，所述域自适应损失为：

其中，D(X_L,X_U)为域自适应损失，f(x_l)为第一特征信息，f(x_u)为第二特征信息，E为求均值；

所述第一损失函数为：

L₁＝L_C(X_L)+λD(X_L,X_U)

其中，L₁为第一损失函数，L_C(X_L)为第一分类损失，λ为超参数。

在本发明的一个实施例中，所述步骤6包括：

步骤6.1、判断所述伪标签的实测数据集输入特征对齐网络后输出的预测标签的概率和阈值的关系，若所述预测标签的概率小于或者等于阈值，则去除伪标签的实测数据，若所述预测标签的概率大于阈值，则保留所述伪标签的实测数据，所保留的所有伪标签的实测数据组成第二实测数据集；

步骤6.2、基于所述第二实测数据集中每两个实测数据的相似度建立相似矩阵，对于所述第二实测数据集中每一个实测数据，在所述相似矩阵找到与当前实测数据相似度最高的实测数据的伪标签，并记为y_tmax，若当前实测数据的伪标签y_t与y_tmax相同，则将当前实测数据加入伪标签去噪的实测数据集，否则，不加入。

在本发明的一个实施例中，所述实测数据的相似度包括余弦相似度、归一化互信息相似度或者结构相似度。

在本发明的一个实施例中，所述步骤7包括：

步骤7.1、根据所述伪标签去噪的实测数据集计算得到第二分类损失；

步骤7.2、根据所述第二分类损失和所述第一损失函数得到总损失函数，以基于所述总损失函数调整所述训练后的特征对齐网络的网络参数，得到调整后的特征对齐网络。

在本发明的一个实施例中，所述第二分类损失为：

其中，

为初步预测的伪标签，

为伪标签去噪的实测数据集在特征对齐网络经过调整后的新预测标签；

所述总损失函数为：

L₂＝L_C(X_L)+λD(X_L,X_U)+L_C(X_deno)

其中，L₂为总损失函数。

本发明的有益效果：

本发明仅使用带标签的仿真数据用于识别实测数据，通过特征对齐网络及带伪标签去噪的自训练方法有效减少仿真数据和实测数据间的特征分布差异，使仿真数据能够用于模型训练，降低了获取带标签的训练数据的难度、节省了获取实测数据的时间和经济成本。

本发明提出的用于零样本SAR目标识别的渐进式域自适应目标识别方法，通过特征对齐网络可以得到较为稳定的初步识别结果，再通过带伪标签去噪的自训练方法，有效地去除了含有噪声的伪标签数据，从而使得识别的结果更加稳定。

附图说明

图1是本发明实施例提供的一种用于零样本SAR目标识别的渐进式域自适应识别方法的流程示意图；

图2是本发明提供的一种逐步领域自适应的网络架构图；

图3为本发明实施例提供的一种特征对齐网络结构图；

图4为本发明实施例提供的一种实现自训练方法的过程图；

图5为本发明实施例提供的一种伪标签去噪方法的说明图；

图6为本发明实施例提供的一种用于实验的SAMPLE数据集的样例图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

请参见图1和图2，图1是本发明实施例提供的一种用于零样本SAR目标识别的渐进式域自适应识别方法的流程示意图；图2是本发明提供的一种逐步领域自适应的网络架构图。本发明提出一种用于零样本SAR目标识别的渐进式域自适应识别方法，该渐进式域自适应识别方法包括步骤1-步骤8，其中：

步骤1、获取有标签的仿真数据样本和无标签的实测数据样本，其中，标签用于识别类别信息。

步骤1.1、对第一仿真图像添加散斑噪声，得到第二仿真图像；

步骤1.2、将第一仿真图、第二仿真图像和第一实测图像剪裁到统一大小，对应得到第三仿真图像、第四仿真图像和第二实测图像，例如裁剪到64×64的大小，以排除背景影响；

步骤1.3、将第三仿真图像、第四仿真图像和第二实测图像归一化到[0,255]范围，得到第五仿真图像、第六仿真图像和第三实测图像，所有的有标签的第五仿真图像和有标签的第六仿真图像组成仿真数据样本，所有的无标签的第三实测图像组成实测数据样本，仿真数据样本记为X_L，实测数据样本记为X_U。

步骤2、将有标签的仿真数据样本和无标签的实测数据样本分别导入到特征对齐网络中，对应提取第一特征信息和第二特征信息。

在本实施例中，特征对齐网络Ω的结构请参见图3，特征对齐网络包括十层网络架构，第一层为卷积层L1、第二层为maxPooling(最大池化)层L2、第三层为卷积层L3、第四层为maxPooling层L4、第五层为卷积层L5、第六层为maxPooling层L6，第七层为卷积层L7、第八层为avgPooling(平均池化)层L8、第九层为卷积层L9、第十层为softmax分类器层L10；

其中，卷积层L1、卷积层L3、卷积层L5、卷积层L7的卷积核大小为5×5，并在卷积层L7之后添加dropout(随机失活)操作，卷积层L9的卷积核大小为4×4，最后通过softmax分类器层L10输出分类结果。

进一步的，第一特征信息和第二特征信息均为特征对齐网络的卷积层L7输出的特征信息，即有标签的仿真数据样本X_L与无标签的实测数据样本X_U均经过特征对齐网络，分别提取两个数据样本通过卷积层L7后对应的特征信息。

步骤3、根据第一特征信息和第二特征信息计算得到分布差异，并将分布差异作为域自适应损失。

具体的，利用第一特征信息和第二特征信息计算得到分布差异，并记为域自适应损失D(X_L,X_U)，计算公式如下：

其中，X_L表示有标签的仿真数据样本，X_U表示无标签的实测数据样本，f(x_l)为第一特征信息，f(x_u)为第二特征信息，E为求均值。

步骤4、根据域自适应损失和有标签的仿真数据样本对应的第一分类损失得到第一损失函数，以基于第一损失函数得到训练后的特征对齐网络，即通过使损失函数最小得到训练后的特征对齐网络。

具体的，含有标签的仿真数据样本经特征对齐网络训练后得到对应的分类损失L_C(X_L)，然后和步骤3中得到的第一特征信息与第二特征信息之间的域自适应损失D(X_L,X_U)构成新的损失函数，即第一损失函数，第一损失函数的计算公式如下：

L₁＝L_C(X_L)+λD(X_L,X_U)

其中，L₁为第一损失函数，L_C(X_L)为第一分类损失，λ为超参数，决定了域自适应损失占损失L₁的比例。

步骤5、利用训练后的特征对齐网络预测无标签的实测数据样本，并给无标签的实测数据集赋予伪标签，得到伪标签的第一实测数据集。

具体的，无标签的实测数据样本经过训练后的特征对齐网络后会得到相应的预测标签，该预测标签就作为伪标签，因此将具有伪标签的实测数据集作为伪标签的第一实测数据集。

步骤6、对第一实测数据集进行伪标签去噪处理，得到伪标签去噪的实测数据集。

因为伪标签不可避免地存在噪声，即预测的标签可能是错误的，因此，为了伪标签更接近真实标签，本实施例对第一实测数据集进行伪标签去噪处理，具体可以通过步骤6.1和步骤6.2进行伪标签去噪处理。

步骤6.1、判断所述伪标签的实测数据集输入特征对齐网络后输出的预测标签的概率(即实测数据集输入特征对齐网络后softmax分类器层L10输出的结果)和阈值的关系，若预测标签的概率小于或者等于阈值，则去除实测数据集中该预测标签的概率小于或者等于阈值的伪标签的实测数据，若预测标签的概率大于阈值，则保留该伪标签的实测数据，所保留的所有伪标签的实测数据组成第二实测数据集。

具体的，设定阈值γ，即对于伪标签的实测数据

如果其预测标签的概率P_pred>γ，则保留该伪标签的实测数据，用作后续的网络微调，否则不使用该数据进行网络微调。

可选的，γ取0.9。

步骤6.2、基于第二实测数据集中每两个实测数据的相似度建立相似矩阵，对于第二实测数据集中每一个实测数据，在相似矩阵找到与当前实测数据相似度最高的实测数据(该实测数据不能为当前实测数据本身)的伪标签，并记为y_tmax，若当前实测数据的伪标签y_t与y_tmax相同，则将当前实测数据加入伪标签去噪的实测数据集，否则，不加入。

具体的，阈值γ选择的伪标签的实测数据并不完全可靠，本实施例除了设定阈值γ外，也结合图像信息来选择伪标签，本发明通过计算图像相似度与KNN算法相结合的方法，去除一些含有噪声的伪标记数据。

去噪过程参见图4，图4中的左图显示初始的第二实测数据集中存在一些错误预测的样本，用相似度度量表示同一圆内的样本相似度相对较高。从图4可以看出，在两个相似度最高的样本之间，预测的伪标签要保证一致。如果一致，则保留伪标签样本，否则将其剔除。因此，根据相似度及其预测伪标签的比较，可以剔除错误的预测样本，如图4的右图所示。伪标签去噪方法具体为：

通过第二实测数据集中的所有实测数据建立相似矩阵S，相似矩阵S为：

式中，n表示第二实测数据集中实测数据的数目，s_tt＝0，1≤t≤n。

对于实测数据x_t，伪标签为y_t。对于实测数据x_t，找到相似矩阵S中相似度最高的实测数据的伪标签，根据S表示为y_tmax。之后判断伪标签y_tmax和y_t是否一致，若一致，则将实测数据x_t加入去噪的实测数据集，否则，不加入，对于所有实测伪标签数据均进行上述处理，得到最终的去噪的实测数据集。

本实施例中使用余弦相似度(COSS)、归一化互信息相似度(NMIS)和结构相似度(SSIM)三种不同的方式计算两幅图像x₁和x₂之间的相似度关系，简要介绍如下：

1)COSS:

其中，a_ij和_bij分别表示图像x₁和x₂在坐标(i,j)处的像素值，n为图像的行数，m是图像的列数。余弦相似度通过计算两幅图像列向量化后的夹角余弦值，衡量了两幅图像是否指向相同的方向。

2)NMIS:

其中，H(·)和H(·,·)分别表示信息和联合信息熵。归一化互信息相似度从熵的角度衡量了两幅图像x₁和x₂之间的相似度。

3)SSIM:

其中，μ₁或μ₂，δ₁或δ₂和δ₁₂分别代表两张图像的均值、方差和协方差。结构相似度从图像亮度、对比度和结构三部分衡量两幅图像之间的相关性。C₁、C₂和C₃是根据相关文献中设置的常数。C₁是图像亮度比较部分防止除零的常数，C₂是图像对比度比较部分防止除零的常数，C₃是图像结构比较部分防止除零的常数，常取C₁＝0.0001，C₂＝0.0009，C₃＝0.5*C₂。

步骤7、将伪标签去噪的实测数据集导入训练后的特征对齐网络，以调整网络参数，得到调整后的特征对齐网络。

也就是说，本实施例将伪标签去噪的实测数据集输入至训练后的特征对齐网络，以微调网络参数。

步骤7.1、根据伪标签去噪的实测数据集计算的第二分类损失L_C(X_deno)表示为：

其中，X_deno为伪标签去噪后的实测数据集，

为初步预测的伪标签，

为伪标签去噪后的实测数据集在特征对齐网络经过调整后的新预测标签，

和

会随着网络微调不断更新。

步骤7.2、根据第二分类损失和第一损失函数得到总损失函数，以基于总损失函数调整训练后的特征对齐网络的网络参数，得到调整后的特征对齐网络，即微调特征对齐网络的网络参数，直至总损失函数最小。

请参见图5，在微调过程中，总损失函数L₂可表示为:

L₂＝L_C(X_L)+λD(X_L,X_U)+L_C(X_deno)

其中，L₂为总损失函数。

步骤8、将待分类的数据输入至调整后的特征对齐网络，得到最终的分类识别结果。

本发明的目的在于针对仿真图像与实测图像之间的分布差异问题，提出一种渐进式域自适应识别框架用于零样本SAR目标识别问题，包括特征对齐网络和带伪标签去噪的自训练方法，以减小仿真数据与实测数据之间的特征分布差异，并取得较好的识别性能。

本发明提出了一种渐进式领域自适应目标识别框架用于零样本SAR目标识别，通过训练特征对齐网络缩小训练数据与测试数据之间的特征距离，并对无标签样本预测得到伪标签样本，再通过带伪标签去噪的自训练方法对特征对齐分类网络进行微调进一步提高识别结果的准确率。

本发明仅使用带标签的仿真数据用于识别实测数据，通过特征对齐网络及带伪标签去噪的自训练方法有效减少仿真数据和实测数据间的特征分布差异，使仿真数据能够用于模型训练，降低了获取带标签的训练数据的难度、节省了获取实测数据的时间和经济成本。

本发明提出的用于零样本SAR目标识别的渐进式领域自适应目标识别方法，通过特征对齐网络可以得到较为稳定的初步识别结果，再通过带伪标签去噪的自训练方法，有效地去除了含有噪声的伪标签数据，从而使得识别的结果更加稳定。

本发明的效果可通过以下实验数据进一步说明：

一、实验数据

本实验所用的数据集是SAMPLE数据集，总共包含10种类型的数据，每一种数据都包含实测数据和仿真数据。原始图像尺寸为128×128，分辨率为0.3m×0.3m。仿真数据与实测数据的俯仰角在14°～17°之间，其中仿真样本与实测样本一一对应。表1介绍了原始SAMPLE数据集的数据类型和数据个数。这个实验场景设置被称为“训练场景1”。参见图6，图6显示了每种类型的一对实测数据和仿真数据的样例。可以清楚地看到仿真图像缺乏背景杂波。此外，仿真数据和实测数据的强散射中心也有所不同。

表1训练场景1：原始SAMPLE数据集中样本的数据类型和数量

本发明的实验中还将俯仰角范围为14°～16°的仿真数据作为训练数据，俯仰角范围为17°的实测数据作为测试数据。该实验设置称为“训练场景2”，与“训练场景1”相比，仿真数据与实测数据的俯仰角有所不同。表2介绍了“训练场景2”中样本用于训练和测试的具体数据类型和数量。

表2训练场景2中用于训练和测试的样本数据类型和数量

本实验使用仿真数据进行训练，实测数据进行测试。在实验中，图像预处理时将数据裁剪到64×64的大小，以排除背景影响，然后通过min-max缩放方法将数据归一化到[0,255]的范围。

对于网络超参数，本实验使用基于实验探索的参数组合，其批大小值为256，dropout值为0.2，λ值为10，总epoch数设置为500，并使用Adam优化器，设置其学习率为10^-4。

对于所给出的实验结果，每组实验进行20次，给出最低和最高的识别准确率，分别用“Min”和“Max”表示。Ave表示20次实验的平均识别准确率，并给出实验结果的标准差。

二、评价准则

使用以下准则对实验结果进行评价：

识别准确率Accuracy，最小识别准确率Min，最高识别准确率Max，平均识别准确率Ave。

上述评价准则,采用以下公式进行计算：

识别准确率Accuracy：

最小识别准确率Min：

Min＝min(Accuracy₁,Accuracy₂,...,Accuracy_N)

式中，n表示同一实验在相同参数设置下重复的次数，Accuracy_n表示第n次该实验的识别准确率，min(·)表示取给定参数中的最小值。

最高识别准确率Max：

Max＝max(Accuracy₁,Accuracy₂,...,Accuracy_N)

式中，n表示同一实验在相同参数设置下重复的次数，Accuracy_n表示第n次该实验的识别准确率，max(·)表示取给定参数中的最大值。

平均识别准确率Ave：

式中，n表示同一实验在相同参数设置下重复的次数，Accuracy_n表示第n次该实验的识别准确率。

三、实验内容

实验一：使用本发明中提出的渐进式域自适应框架进行实验，由于该框架是一个两阶段训练过程，需要分别进行特征对齐和自训练过程，以验证各个阶段的有效性。本次实验中不进行伪标签去噪。表3和表4给出了实验结果，“基线”是对训练数据的图像增强扩充采取添加散斑噪声的方式。

表3训练场景1：渐进式域自适应框架的识别结果(％)

表4训练场景2：渐进式域自适应框架的识别结果(％)

由上述结果可以看出，本发明中提出的渐进式域自适应框架工作在两种训练场景设置下都是有效的，识别结果呈现逐步改善的趋势。在实验二中，自训练过程中考虑伪标签去噪，以获得更好的识别结果。

实验二：本实验中在自训练过程中进行伪标签数据集去噪。使用COSS、NMIS和SSIM三种相似度量计算不同图像之间的相似度，用于伪标签降噪。表5和表6给出了伪标签去噪的渐进式域自适应框架的实验结果。

表5训练场景1：采用不同相似度伪标签去噪的渐进式域自适应框架的识别结果(％)

表6训练场景2：采用不同相似度伪标签去噪的渐进式域自适应框架的识别结果(％)

采用不同的相似度指标进行伪标签去噪，平均识别性能相比于去噪前可提高1到2个百分点，且多次实验结果标准差变小。在训练场景1和场景2中，SSIM表现更好，平均识别率更高。

实验三：使用SAMPLE数据集，将本发明的框架与其他现有框架进行比较。表7和表8分别给出不同框架方法下的两个训练场景的实验结果。

表7训练场景1:与其他方法的比较(％)

表8训练场景2:与其他方法的比较(％)

相比而言，本发明中的方法在训练场景1下的识别结果达到了较高的准确率，在训练场景2下，本发明中的方法也超过了对比实验中其他框架的结果，也有其他研究利用SAMPLE数据集在不同的实验设置下进行实验，如Sellers等人在2020年发表的论文“Augmenting simulations for SAR ATR neural network training”的实验中除了标记的仿真数据外，每类还使用一个或两个实测样本进行训练，该实验中提出的方法可以达到95.1％的分类准确率，而本发明中的实验结果仍然优于它。因此，本发明的方法可以认为已经达到了较先进水平。

综上，本发明在只使用仿真数据进行训练的情况下，采用伪标签去噪方法设计了一个渐进式域自适应框架，并在SAMPLE数据集上进行了实验验证，该框架通过特征对齐网络以及含有伪标签去噪的自训练方式有效的缩小了仿真数据与实测数据之间的分布差异，取得了优于其他现有框架的实验结果。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种用于零样本SAR目标识别的渐进式域自适应识别方法，所述渐进式域自适应识别方法包括：

步骤1、获取有标签的仿真数据样本和无标签的实测数据样本；

步骤2、将所述有标签的仿真数据样本和所述无标签的实测数据样本分别导入到特征对齐网络中，对应提取第一特征信息和第二特征信息；

步骤3、根据所述第一特征信息和所述第二特征信息计算得到分布差异，并将所述分布差异作为域自适应损失；

步骤4、根据所述域自适应损失和所述有标签的仿真数据样本对应的第一分类损失得到第一损失函数，以基于所述第一损失函数得到训练后的特征对齐网络；

步骤5、利用所述训练后的特征对齐网络预测无标签的实测数据样本，并给所述无标签的实测数据样本赋予伪标签，得到伪标签的第一实测数据集；

步骤6、对所述第一实测数据集进行伪标签去噪处理，得到伪标签去噪的实测数据集；

步骤7、将所述伪标签去噪的实测数据集导入所述训练后的特征对齐网络，以调整网络参数，得到调整后的特征对齐网络；

步骤8、将待分类的数据输入至所述调整后的特征对齐网络，得到最终的分类识别结果。

2.根据权利要求1所述的渐进式域自适应识别方法，其特征在于，所述步骤1包括：

步骤1.1、对第一仿真图像添加散斑噪声，得到第二仿真图像；

步骤1.2、将所述第一仿真图、所述第二仿真图像和第一实测图像剪裁到统一大小，对应得到第三仿真图像、第四仿真图像和第二实测图像；

步骤1.3、将所述第三仿真图像、所述第四仿真图像和所述第二实测图像归一化到[0,255]范围，得到第五仿真图像、第六仿真图像和第三实测图像，所有的有标签的第五仿真图像和有标签的第六仿真图像组成所述仿真数据样本，所有的无标签的第三实测图像组成所述实测数据样本。

3.根据权利要求1所述的渐进式域自适应识别方法，其特征在于，所述特征对齐网络包括十层网络架构，第一层为卷积层L1、第二层为maxPooling层L2、第三层为卷积层L3、第四层为maxPooling层L4、第五层为卷积层L5、第六层为maxPooling层L6，第七层为卷积层L7、第八层为avgPooling层L8、第九层为卷积层L9、第十层为softmax分类器层L10；

其中，所述卷积层L1、所述卷积层L3、所述卷积层L5、所述卷积层L7的卷积核大小为5×5，并在所述卷积层L7之后添加dropout操作，所述卷积层L9的卷积核大小为4×4，最后通过所述softmax分类器层L10输出识别结果。

4.根据权利要求3所述的渐进式域自适应识别方法，其特征在于，所述第一特征信息和所述第二特征信息均为所述特征对齐网络的所述卷积层L7输出的特征信息。

5.根据权利要求1所述的渐进式域自适应识别方法，其特征在于，所述域自适应损失为：

其中，D(X_L,X_U)为域自适应损失，f(x_l)为第一特征信息，f(x_u)为第二特征信息，E为求均值；

所述第一损失函数为：

L₁＝L_C(X_L)+λD(X_L,X_U)

其中，L₁为第一损失函数，L_C(X_L)为第一分类损失，λ为超参数。

6.根据权利要求1所述的渐进式域自适应识别方法，其特征在于，所述步骤6包括：

步骤6.1、判断所述伪标签的实测数据集输入特征对齐网络后输出的预测标签的概率和阈值的关系，若所述预测标签的概率小于或者等于阈值，则去除伪标签的实测数据，若所述预测标签的概率大于阈值，则保留所述伪标签的实测数据，所保留的所有伪标签的实测数据组成第二实测数据集；

步骤6.2、基于所述第二实测数据集中每两个实测数据的相似度建立相似矩阵，对于所述第二实测数据集中每一个实测数据，在所述相似矩阵找到与当前实测数据相似度最高的实测数据的伪标签，并记为y_tmax，若当前实测数据的伪标签y_t与y_tmax相同，则将当前实测数据加入伪标签去噪的实测数据集，否则，不加入。

7.根据权利要求6所述的渐进式域自适应识别方法，其特征在于，所述实测数据的相似度包括余弦相似度、归一化互信息相似度或者结构相似度。

8.根据权利要求5所述的渐进式域自适应识别方法，其特征在于，所述步骤7包括：

步骤7.1、根据所述伪标签去噪的实测数据集计算得到第二分类损失；

步骤7.2、根据所述第二分类损失和所述第一损失函数得到总损失函数，以基于所述总损失函数调整所述训练后的特征对齐网络的网络参数，得到调整后的特征对齐网络。

9.根据权利要求7所述的渐进式域自适应识别方法，其特征在于，所述第二分类损失为：

其中，

为初步预测的伪标签，

为伪标签去噪的实测数据集在特征对齐网络经过调整后的新预测标签；

所述总损失函数为：

L₂＝L_C(X_L)+λD(X_L,X_U)+L_C(X_deno)

其中，L₂为总损失函数。

Images