(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 202210587234.5 (22)申请日 2022.05.24 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 杜兰　李逸明　宋佳伦　陈健　 周宇　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 田文英　王品华 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于自适应确定拒判准则的SAR目标开集识 别方法 (57)摘要 本发明公开一种基于自适应确定拒判准则 的SAR目标开集识别方法， 其实现步骤为： 生成训 练集和测试集； 构建卷积自编码网络并进行训 练； 使用极值理论拟合样本集的重构误差并得到 各类目标的拒判阈值； 使用卷积自编码网络获取 待识别SAR目标的预测类别概率； 重构 待识别SAR 目标图像并计算重构误差； 将 重构误差小于预测 类别对应拒判阈值的样本识别为预测类别概率 得分最高的类别， 大于拒判阈值则识别为未知类 目标。 本发 明具有既能准确识别已知类也能自适 应拒判未知类的优点， 解决了 现有技术由于拒判 阈值设置缺乏理论依据且泛化性能差而无法使 用于真实开 放环境的工程实 践的问题。 权利要求书2页 说明书8页 附图2页 CN 114882289 A 2022.08.09 CN 114882289 A 1.一种基于自适应确定拒判准则的SAR 目标开集识别方法， 其特征在于， 构建一个用于 输出SAR目标的预测 类别概率的卷积自编码 网络， 通过自适应设置拒判阈值准则， 检测SAR 目标是否为未知类目标； 该识别方法的步骤 包括如下： 步骤1， 生成训练集： 选取雷达工作俯仰角为17 °的至少1000张SAR图像， 对每张SAR图像进行裁剪和类别标 记， 将所有裁 剪后的图像和对应 类别标签组成训练集； 步骤2， 构建卷积自编码模型开 集识别模型： 步骤2.1， 构建编码子网络： 搭建一个由五个具有相同结构的通道 注意力模块串联组成的编码子网络； 每个通道注意力模块由两条并联支路组成： 第一支路的结构依次为： 卷积层、 Batch  Norm批次归一化层、 ReLU非线性层； 将第一至 第五模块中第一支路卷积层的卷积核数量依次设置为16、 32、 64、 128、 256， 卷积核大小均设 置为3×3， 卷积核步长均设置为1， 填充方式均设置为 等大填充方式； 第二支路的结构依次为： 全局平均池化层、 第一卷积层、 ReLU非线性层、 第二卷积层、 Sigmoid激活函数； 将第一至第五模块中第二支路中第一卷积层的卷积核数量依次设置为 4、 8、 16、 32、 64， 卷积核大小均 设置为1×1， 卷积核步长均 设置为1， 填充方式均 设置为等大 填充方式； 将第一至第五模块中第二支路第二卷积层的卷积核数量依次设置为16、 32、 64、 128、 256， 卷积核大小均设置为1 ×1， 卷积核步长均设置为 1， 填充方式均设置为等大填充 方 式； 步骤2.2， 构建条件子网络： 搭建一个由三层全连接层组成的条件子网络； 将全连接层的节点数依次设置为256、 1024、 4096； 步骤2.3， 构建 分类子网络： 搭建一个由两层卷积层组成的分类子网络； 将卷积核数量依次设置为128、 K； 其 中， K表 示训练集类别； 将卷积核大小均设置为1 ×1， 卷积核步长均设置为1， 填充方式均设置为等 大填充方式； 步骤2.4， 构建解码子网络： 搭建一个由四个反卷积层串联组成的解码子网络； 将第 一至第四反卷积层的卷积核数 量依次设置为128、 64、 32和16， 卷积核大小均设置为4 ×4， 卷积核步长均设置为2， 填充方式 均设置为 等大填充方式， 偏差 置均设置为0； 步骤2.5， 将条件子网络和编码子网络并联得到子网络1， 将分类子网络和解码子网络 并联得到子网络2， 再将子网络1和子网络2串联， 构成基于卷积自编码的开 集识别模型； 步骤3， 训练开 集识别模型： 步骤3.1， 将训练集的每张图像输入到开集识别模型中， 经编码子网络后输出训练集中 每张图像的样本隐特征， 经分类子网络后输出每张图像的预测类别概率； 利用交叉熵损失 函数， 计算每张图像的预测类别概 率与该图像对应的类别标签之间的交叉熵损失Lc： 步骤3.2， 将训练集的每张图像类别标签输入到开集识别模型中， 经条件子网络输出每 张图像的条件隐特征； 每张图像的样本隐特征与其对应的条件隐特征点乘后得到该张图像 的匹配融合特征； 匹配融合特征经解码子网络输出每张图像的匹配重构图像； 每张图像的权　利　要　求　书 1/2 页 2 CN 114882289 A 2样本隐特征与其不对应的条件隐特征点乘后得到该张图像的非匹配融合特征； 非匹配融合 特征经解码子网络输出每张图像的非匹配重构图像； 计算匹配重构图像与该张图像的重构 误差， 计算非匹配重构图像与随机选取 的非该张图像类别的其他类别图像的重构误差， 得 到重构损失Ld： 步骤3.3， 将步骤3.1计算得到的交叉熵损失和步骤3.2计算得到的重构损失求和， 得到 模型的总损失； 使用Adam优化算法， 迭代更新开集识别模型参数， 直到总损失函数收敛为 止， 得到训练好的开 集识别模型； 步骤4， 利用极值理论自适应设置各类别的拒判阈值： 步骤4.1， 将训练集中每张图像和类别标签输入到训练好的开集识别 模型中， 输出每张 图像的匹配重构图像和非匹配重构图像； 计算训练集各类别的匹配重构误差和非匹配重构 误差； 步骤4.2， 基于极值理论分别对训练集各类别匹配重构误差和非匹配重构误差进行极 值分布拟合， 输出训练集各类别的极值分布； 步骤4.3， 遍历训练集中各类别的重构误差， 得到该类别的极值分布极小值， 将各类别 的极值分布极小值对应的重构误差作为该类别的最优拒判阈值； 步骤5， 获取待识别SAR图像的预测类别概 率和重构图像： 采用与步骤1相同的方式， 对待识别的SAR图像做裁剪， 得到裁剪后的SAR图像， 将裁剪 后的SAR图像输入到训练好的卷积自编码网络中， 输出SAR图像的预测类别概率和对应的重 构图像， 将预测类别概 率中得分最高值对应的类别作为待识别SAR图像的预测类别； 步骤6， 判断待识别SAR图像的重构误差是否小于预测类别的最优拒判阈值， 若是， 则执 行步骤7， 否则， 执 行步骤8； 步骤7， 选择SAR图像预测类别概 率得分最高的类别作为识别结果输出； 步骤8， 将SAR图像判定为未知类目标输出。 2.根据权利要求1所述的基于自适应确定拒判准则的SAR目标开集识别方法， 其特征在 于， 步骤3.1中所述的交叉熵损失Lc如下： 其中， N表示训练集中图像的总数， Σ表示求和操作， i表示训练集中图像的序号， Yi表示 训练集中第i张图像对应的类别标签， log表示以2为底的对数操作， Pi表示将训练集中第i 张图像输入开 集识别模型 得到的预测类别概 率。 3.根据权利要求1所述的基于自适应确定拒判准则的SAR目标开集识别方法， 其特征在 于， 步骤3.2中所述的重构损失Ld如下： 其中， λ表示损失函数中的权重参数， 其取值范围为[0,1]， 该参数数值越大， 模型对于 匹配重构图像的重建 能力越强， 对于非匹配重构图像的重建 能力越弱； || ·||1表示1‑范数 操作， 对应重构误差计算； 和 分别表示第i张图像的匹配重构图像和非匹配重构图 像。权　利　要　求　书 2/2 页 3 CN 114882289 A 3