(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211159684.0 (22)申请日 2022.09.22 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 于雪莲　李月　任浩浩　刘森　 董福禄　邹林　周云　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 陈一鑫 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/77(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/04(2006.01) (54)发明名称 一种基于孪生卷积子空间网络的小样本SAR 目标识别方法 (57)摘要 本发明提出一种基于孪生卷积子空间的目 标识别方法， 属于雷达的目标识别领域。 现有技 术中， 训练样本充足是基于数据驱动的SAR目标 识别方法获得优异识别性能的先决条件。 然而， 在一些实际的应用场景中， 通常只能获取到极其 少量的目标样本。 为了在样本少量的条件下实现 稳健的SAR目标识别， 所提方法由特征嵌入模型 与分类器两部分构成。 首先， 建立了一个基于孪 生结构的特征嵌入网络， 并利用对比学习思想来 训练一个类内紧凑、 类间分散的低维特征表示空 间； 然后， 设计一个基于子空间学习的分类器， 并 通过待识别样本到目标类样本张成子空间的最 短投影距离来推理目标样本的类别。 权利要求书2页 说明书7页 附图1页 CN 115512200 A 2022.12.23 CN 115512200 A 1.一种基于 孪生卷积子空间 网络的小样本SAR目标识别方法， 该 方法包括： 步骤1： 在训练阶段， 从辅助训练的样本集中随机采样一批数据且将其划分为支持集和 查询集， 以模拟小样本目标识别任务； 给定训练样本X＝{xc,1,xc,2,…,xc,K}， xc,i表示第c类 SAR目标的一批训练样 本， K表示每类目标的训练样本数， c∈{1, …,N}， N表示目标类别的数 量； 步骤2： 将训练样本中SAR图像裁剪为64 ×64像素大小的感兴趣SAR目标样本， 以减少冗 余背景对特 征提取的影响； 建立识别模型， 识别模型包括特 征嵌入网络和分类 器； 步骤3： 建立基于孪生结构的特征嵌入网络， 并引入对比学习思想训练特征嵌入模型， 利用步骤1中随机采样生成的查询样本和支持样本训练一个类内紧凑、 类间分散的低 维特 征表示空间； 步骤3.1： 将SAR目标样本输入到 特征嵌入网络， 经特征嵌入网络编码后样本表示为{Φθ (xc,1),Φθ(xc,2),…,Φθ(xc,K)}， 其中Φ( ·)表示非线性映射函数， θ 是特征嵌入网络的可训 练参数； 步骤3.2： 通过以下公式计算第c类目标对应的特 征均值： 步骤3.3： 减去特 征均值后， 第c类目标 特征表示为： Xc＝[Φθ(xc,1)‑μc,Φθ(xc,2)‑μc,…,Φθ(xc,K)‑μc] 步骤3.4： 为了训练类内紧凑、 类间分散的特征表示空间， 采用对比损失作为特征嵌入 网络的代价 函数， 即： 其中， S和Q分别表示一批数据中支持集样本和查询集样本的总数， di,j是第i个样本和 第j个样本之间的欧几里得距离， 当且仅 当两个样本属 于同一个类别时， y＝1； 否则， y＝0； margin是一个预设值， 用于约束不同类别样本之间的最大边界距离； 步骤4： 设计 基于子空间学习的分类 器； 步骤4.1： 通过目标训练样本的特 征计算第c类目标的投影矩阵Pc， c＝1,…,N； 步骤4.2： 给定一个待识别的样本q， 将 样本q的低维嵌入特 征投影到Pc上； 步骤4.3： 采用如下 公式计算样本q到Pc的最近投影距离， 并通过最 短投影距离实现对目 标样本的类别推理： dc(q)＝‑||(I‑Mc)(Φθ(q)‑μc)||2 其中， Pc是X＝{Φθ(xc,i)； c＝1,…,N； i＝1, …,K}的张成子空间基向量对应 的截断矩阵； I表示与Mc同维度的单位矩阵； || ·||表示矩阵的2范数运算； Φθ(q)表示目标 样本q的特 征嵌入； 步骤4.4： 为了便于对所提出的方法进行端到端的训练， 采用Softmax归一化函数来计 算待识别样本q被判定为第c类目标的概 率， 以完成目标识别任务， 即：权　利　要　求　书 1/2 页 2 CN 115512200 A 2其中， exp( ·)表示以常数 e为底数的指数运 算； 步骤5： 采用交叉熵损失训练基于 子空间学习的分类 器， 交叉熵损失函数定义如下： 其中， C为类别数量， y为真实标签， 为预测标签； 步骤6： 采用如下公式中的总代价函数训练识别模型， 最终采用训练好的识别模型进行 SAR目标识别； L＝Lc+λLcl 其中， λ是用于平衡两损失函数重要性的超参数。权　利　要　求　书 2/2 页 3 CN 115512200 A 3