(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 202211198200.3 (22)申请日 2022.09.29 (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　刘森　任浩浩　余思慧　 李月　周云　邹林　 (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 10/74(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度双相似性度量网络的小样本 SAR目标识别方法 (57)摘要 本发明公开了一种基于深度双相似性度量 网络的小样本SAR目标识别方法， 应用于SAR图像 解译领域， 以解决小样本条件下的SAR图像目标 识别问题。 首先， 本发明以胶囊单运算为基本结 构， 构建一个可以挖掘高维特征信息的特征提取 器。 其次， 本发明提出一种双相似性度量的融合 策略， 在深度特征空间中实现稳健的小样本目标 类标签判定。 最后， 为了获得一个类内紧凑、 类间 分散的特征表征空间， 本发明设计了一个 混合损 失函数用于模 型端到端训练。 本发 明可在众多的 小样本SAR图像目标识别任务场景中实现较高精 度的目标识别， 具有较好的泛化能力和鲁棒 性。 权利要求书2页 说明书8页 附图1页 CN 115496987 A 2022.12.20 CN 115496987 A 1.一种基于深度双相似性度量网络的小样本SAR目标识别方法， 该 方法步骤如下： 步骤1： 采集SAR目标图像数据集， 并完成数据划分、 预处 理、 建立整体网络； 步骤1.1： 从样本集中随机采样多组数据， 并将采样得到的每组数据划分为支持集和查 询集， 支持集中的样本均带类标签， 而查询集中样本不赋予其标签； 步骤1.2： 考虑到原始SA R图像中目标只占据较少的像素空间， 因此将每幅SA R图像裁剪 为64×64像素大小的目标切片， 以减轻网络训练负担； 步骤1.3： 建立整体网络模型的结构， 包括： 基于胶囊运算的特征嵌入网络和双相似性 度量分类 器； 步骤2： 将目标切片输入到特 征嵌入网络得到高维SAR图像的低维度鉴别特 征； 步骤2.1： 建立基于胶囊运算的特征嵌入网络， 依次包括： 卷积核为5 ×5的卷积层、 初级 胶囊层、 第二级胶囊层； 步骤2.2： 将目标切 片通过卷积核为5 ×5的卷积层进行初步的特征学习， 得到60 ×60大 小的SAR目标样本特 征图， 该特征图为标量特 征； 步骤2.3： 将步骤2.2得到的标量特征作为初级胶囊层的输入， 将标量特征转换为矢量 胶囊特征A， 采用如下公式对特 征A进行非线性 转换： 其中， Ai表示第i个特 征， ui为其对应的非线性输出； 步骤2.4： 将从初级胶囊层得到的特征ui通过第二级胶囊层学习特征间的空间关系， 对 应的数学公式如下： uj|i＝Wijui 其中， uj|i为ui对应的预测向量， Wij为相应的权值矩阵； 其中， cij为耦合系数， 通过动态路由算法得到的， sj为低维度鉴别特 征样本； 步骤3： 将步骤2得到的低维度鉴别特征输入到双相似性度量分类器中， 完成查询集中 样本类标签判定； 步骤3.1： 计算由查询集得到的低维度鉴别特征样本x与支持集中每类目标类原型的欧 式距离， 其公式如下： deu(φ(x),ci)＝||φ(x)‑ci||2 其中， φ(·)为特征嵌入网络的映射 函数， ci为第i类目标的类原型向量； 利用Softmax函数对计算得到的欧氏距离进行归一化， 通过下式计算x属于第i类目标 的概率： 其中， ck表示第k类目标的类原型向量； 步骤3.2： 将样本置于球形空间内， 计算x与支持集中每类目标类原型的余弦距离， 其公 式如下：权　利　要　求　书 1/2 页 2 CN 115496987 A 2利用Softmax函数对计算得到的欧氏距离进行归一化， 通过下式计算x属于第i类的概 率， 公式如下： 步骤3.3： 双相似性度量分类器将其两个分支计算得出的概率pe,i(y＝i|x)和 pc,i(y＝i |x)进行如下的加权求和， 以此推理目标样本x属于第i类的概 率pi(y＝i|x)： pi(y＝i|x)＝ λpe,i(y＝i|x)+(1‑λ )pc,i(y＝i|x) 其中， λ是用于调整两个相似性度量分支的概 率预测比例的超参数； 步骤4： 设计混合损失函数来联合训练整体网络模型； 步骤4.1： 基于胶囊运 算的特征嵌入网络的损失函数为： 其中， S和Q分别代表支持集和查询集的样本数量， ds,q表示SAR图像样本s与SAR图像样 本q之间的欧氏距离； 当s与q属于同一类别时， y＝1； 当s与q属于不同类别时， y＝0， margin 是一个用于约束不同类别样本之间距离的超参数； 步骤4.2： 双相似性度量分类 器的分类损失为： 其中， I表示SAR目标的类别数量， yx,i取值为0或1； 当样本x属于类别i时， yx,i＝1； 当样 本x不属于类别i时， yx,i＝0； p(y＝ i|x)表示分类 器给出的样本x属于类别i的预测概 率； 步骤4.3： 整体网络模型混合损失函数的定义如下； L＝Lce+α Le 其中， α 是平衡两种损失函数重要性的超参数； 步骤5： 采用训练好的整体网络来进行目标识别。权　利　要　求　书 2/2 页 3 CN 115496987 A 3