(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 202210618273.7 (22)申请日 2022.06.01 (71)申请人 北京航空航天大 学杭州创新研究院 地址 310052 浙江省杭州市滨江区创慧街 18号 (72)发明人 高飞　徐景铭　王俊　罗喜伶　 许小剑　 (74)专利代理 机构 北京八月瓜知识产权代理有 限公司 1 1543 专利代理师 秦莹 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/77(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于加权距离的SAR图像小样本识别方法及 装置 (57)摘要 本发明公开了一种基于加权距离的SAR图像 小样本识别方法及装置， 方法包括： 获取SAR图像 小样本数据， 将SAR图像小样本数据分为训练集 和测试集； 基于预定的迭代次数通过训练集对预 先设置的特征提取网络进行迭代训练， 从而获取 训练好的特征提取网络， 其中， 每次迭代训练中 都通过预先设置的损失函数对特征提取网络中 的参数进行更新； 将测试集输入训练好的特征提 取网络， 获取识别结果， 本发明通过在特征提取 网络中加入了通道注意力机制， 对 特征网络中的 卷积神经网络的多尺度特征进行了融合， 提高特 征的表达能力， 通过权重生 成器有效的增加不同 类别样本特 征的可区分度。 权利要求书4页 说明书9页 附图5页 CN 114926693 A 2022.08.19 CN 114926693 A 1.一种基于加权距离的SAR图像小样本识别方法， 其特 征在于， 包括： S1、 获取SAR图像小样本数据， 将所述SAR图像小样本数据分为训练集和 测试集； S2、 基于预定的迭代次数通过训练集对预先设置的特征提取网络进行迭代训练， 从而 获取训练好的特征提取网络， 所述每次迭代训练中都通过预先设置的损失函数对所述特征 提取网络中的参数进行更新， 其中， 所述预先设置的特征提取网络中加入了通道注意力机 制及多尺度特 征融合结构； S3、 将所述测试集输入训练好的特 征提取网络， 获取识别结果。 2.根据权利要求1所述的方法， 其特征在于， 步骤S2中所述基于预定的迭代次数通过训 练集对预 先设置的特 征提取网络进行迭代训练， 具体包括： S21.将所述训练集划分为训练支撑集和训练查询集； S22.通过预先设置的特征提取网络对所述训练支撑集进行特征提取， 并对所述训练支 撑集的同类别样本进行平均值运算， 获取类别原型， 通过预先设置的特征提取网络对所述 查询集进行 特征提取， 获取查询集特 征向量； S23.计算所述 查询集特 征向量和各个所述类别原型的欧氏距离； S24.通过权重生成器计算所述查询集特征向量和各个所述类别原型之间的权重， 并将 所述权重与所述类别原型的欧式距离相乘， 获取加权欧式距离， 其中， 所述权重生成器为一 个多层可学习神经网络， 在训练中不断更新参数以生成最合适的权重值， 从而获取训练好 的权重生成器； S25.通过分类 器对所述加权欧式距离进行分类， 获取分类结果； S26.通过所述损失函数对所述基于加权距离的SAR图像小样本识别 模型的参数进行优 化； S27.判断迭代次数是否达到所述预定的迭代次数， 若没有达到所述预定的迭代次数， 则重复执 行步骤S21至步骤S26， 若达 到所述预定的迭代次数， 则训练结束。 3.根据权利要求1所述的方法， 其特征在于， 所述步骤S2中的预先设置的特征提取网络 的构建步骤具体包括： S31.构建卷积神经网络， 通过所述卷积神经网络得到特征图， 所述卷积神经网络包括： 二维卷积层、 降采样层、 批量归一 化层以及非线性激活函数； S32.对所述特征图加入通道注意力机制进行处理， 得到注意力值， 所述通道注意力机 制处理过程包括： 通过全局平均池化操作， 对所述特征图的单个通道中的空间特征进行压缩， 得到一个 全局特征描述符Sc： 其中， H、 W分别代表特征图的长和宽， fc表示输入特征图， i表示水平方向第i个像素点， j 表示垂直方向第j个 像素点； 通过两个全连接层获取所述特征图中不同通道之间的关系， 对各个通道的重要性进行 预测， 之后使用Sigmo id激活函数对其处 理得到注意力值U， U＝Sigmo id(FC2(ReLU(FC1(S)))          公式2；权　利　要　求　书 1/4 页 2 CN 114926693 A 2其中， FC1(·)和FC2(·)分别表示前后两个全连接层， S＝[s1,s2,…,sC]∈RC×1×1， ReLU (·)表示ReLU激活函数， Sigmoid( ·)代表Sigmoid激活函数， 得到的U即为注意力值， 最后 将注意力值与原 始特征Fl进行向量按元 素相乘， 得到通道 注意力优化后的特 征图Fal； S33.对所述 通道注意力优化后的特 征图进行多尺度特 征融合， 具体包括： 从所述卷积神经网络的末端， 具有最低分辨率的特征图开始进行上采样， 将上采样和 经过所述通道注意力机制处理之后得到的特征图与相邻的具有特定分辨率的特征图进行 加法操作； 对所述多尺度融合后的特征使用调整块进行处理， 所述调整块由三部分组成： 1 ×1卷 积、 RELU函数和全局平均池化层， 经 过调整块输出的特 征作为特 征提取网络的输出。 4.根据权利要求1所述的方法， 其特征在于， 所述步骤S2中的预先设置的损失函数构建 步骤具体包括： 获取交叉熵损失函数和权重生成损失函数， 并将交叉熵损失函数和权重生成损失函数 结合获取损失函数， 具体包括： 通过公式3获取 所述交叉熵损失函数： 其中， (xi,yi)表示查询集的样本和真实标签， N表示全部查询集样本的数量， 该损失函 数的作用是衡量预测标签和真实标签之间的差距； 通过公式4获取 所述权重生成损失函数： 其中， C表示类别数量， wij表示权重生成器生成的第i个查询集样本对应第j类的权值； 通过公式5获取损失函数： 5.根据权利要求2所述的方法， 其特征在于， 所述将所述测试集输入训练好的特征提取 网络， 获取识别结果， 具体包括： 将测试集划分为测试支撑集及测试查询集， 通过已训练好的特征提取网络分别对所述 测试支撑集及测试查询集中的样本进 行特征提取， 对所述测试支撑集中的样本特征进 行类 别均值处理， 得到新类别的原型向量， 计算所述测试查询集中的样本 向量与各个所述新类 别的原型向量之间的欧氏距离， 将所述测试查询集中的样本向量与各个所述新类别的原型 向量送入所述训练好的权重生成器中， 得到各项权重值， 将所述各项权重值与欧氏距离对 应相乘， 通过分类 器输出识别结果。 6.一种基于加权距离的SAR图像小样本识别装置， 其特 征在于， 包括： 样本获取模块， 用于获取SAR图像小样本数据， 将所述SAR图像小样本数据分为训练集 和测试集； 训练模块， 用于基于预定的迭代次数通过训练集对预先设置的特征提取网络进行迭代 训练， 从而获取训练好的特征提取网络， 所述每次迭代训练中都通过预先设置的损失函数权　利　要　求　书 2/4 页 3 CN 114926693 A 3