基于深度布朗距离的小样本SAR图像目标识别方法

基于深度布朗距离的小样本sar图像目标识别方法
技术领域
1.本发明属于雷达信号处理技术领域，具体涉及一种基于深度布朗距离的小样本sar图像目标识别方法。

背景技术：

2.合成孔径雷达(synthetic aperture radar，sar)是一种主动式微波雷达，可安装在飞行平台上实现全天时、全天候的对地实时观测，并具有一定的地表和植被穿透能力。合成孔径雷达在距离向和方位向上都具有高分辨率，可以在能见度极低的气象条件下得到目标的高分辨率雷达图像，因此被广泛地应用于电子侦察与反侦察、灾难检测和海洋检测等领域，是当前观测领域不可或缺的技术手段。
3.自动目标识别(atr)是通过提取图像特征信息以确定目标图像类别的技术，其在图像处理、目标识别、无人驾驶、异常检测等诸多细分领域得到广泛应用。由于现实环境中获取的图像受噪声和杂波的影响、目标图像纹理信息不明显，增加了对sar图像进行特征提取和目标识别的难度。
4.因此，亟需提高对sar图像特征提取和目标识别的能力。

技术实现要素：

5.为了解决现有技术中存在的上述问题，本发明提供了一种基于深度布朗距离的小样本sar图像目标识别方法。本发明要解决的技术问题通过以下技术方案实现：
6.第一方面，本技术提供一种基于深度布朗距离的小样本sar图像目标识别方法，包括：
7.获取合成孔径雷达图像，并分为训练样本集和测试样本集；其中，训练样本集包括训练支持集和训练查询集，测试样本集包括测试支持集和测试查询集；
8.构建深度布朗距离协方差模块-原型网络；其中，深度布朗距离协方差模块-原型网络包括深度残差神经网络、深度布朗距离协方差模块和欧几里得距离分类器；
9.利用训练样本集对深度布朗距离协方差模块-原型网络进行小样本训练，得到训练好的深度布朗距离协方差模块-原型网络；
10.将测试集样本输入训练好的深度布朗距离协方差模块-原型网络，得到测试查询集的预测标签。
11.本发明的有益效果：
12.本发明提供的一种基于深度布朗距离的小样本sar图像目标识别方法，采用深度布朗距离协方差模块，能够增强深度残差神经网络提取的图像特征；采用深度布朗距离协方差模块-原型网络，能够获得具有更丰富图像特征的嵌入向量，能够充分地利用单个sar图像样本，从而在极少带标签样本的条件下实现对sar图像目标的准确识别。
13.以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
14.图1是本发明实施例提供的基于深度布朗距离的小样本sar图像目标识别方法的一种流程图；
15.图2是本发明实施例提供的深度残差-深度布朗距离协方差模块-欧几里得分类器的一种结构示意图；
16.图3是本发明实施例提供的深度布朗距离协方差模块-原型网络的训练和测试的一种实现框架图；
17.图4是本发明实施例提供的深度布朗距离协方差模块-原型网络的一种结构示意图；
18.图5是本发明实施例提供的残差块的一种结构示意图。
具体实施方式
19.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。
20.sar图像目标识别的主要方法有：模板匹配、目标建模和深度学习，其中，基于模板的方法需要设计专用模板，根据某种相似度原则比较图像中某块区域与模板之间的相似度，但该方法不具备旋转不变性，对目标图像的识别具有局限性；目标建模方法依赖模型建立的好坏，并且在复杂电磁环境下利用该方法实现对目标图像的实时识别是非常困难的。
21.现有的小样本目标识别技术大多数基于元学习，基本思路为：将训练集分为支持集和查询集在多次迭代训练过程中，基于某一相似性度量学习所有训练样本的表示，计算查询样本的预测与真实标签的交叉熵损失函数，采用优化模型算法更新网络参数，最后利用训练好的模型完成对测试样本的标签预测。具体地，j.snell等人在文献“j.snell，k.swersky，and r.s.zemel，“prototypical networks for few-shot learning，”in proc.int.conf.neural inf.process.syst.，2017，pp.4080-4090.”中提出原型网络的概念，通过利用支持集样本计算原型，再根据原型和查询集样本的嵌入向量计算误差以更新网络参数，并且采用分集训练的方式能够很好地避免过拟合现象。
22.但是，现有技术在支持集样本较少，比如只有一个支持集样本时，模型并不能准确地提取到图像样本的特征，导致模型最终的测试性能不佳，原型网络在带标签样本极少的情况下的识别性能仍然有待提高。
23.有鉴于此，本技术提供的一种基于深度布朗距离的小样本sar图像目标识别方法，利用深度残差神经网络从sar图像中提取特征，通过测量图像特征的联合特征函数和边缘乘积之间的差异来学习图像表示，使得模型能够得到更为丰富的图像特征，即使在支持集样本很少的情况下也能够对测试样本保持一个较高的识别准确率。
24.请参见图1和图2所示，图1是本发明实施例提供的基于深度布朗距离的小样本sar图像目标识别方法的一种流程图，图2是本发明实施例提供的深度残差-深度布朗距离协方差模块-欧几里得分类器的一种结构示意图，本技术所提供的一种基于深度布朗距离的小样本sar图像目标识别方法，包括：
25.s101、获取合成孔径雷达图像，并分为训练样本集和测试样本集；其中，训练样本集包括训练支持集和训练查询集，测试样本集包括测试支持集和测试查询集；
26.s102、构建深度布朗距离协方差模块-原型网络；其中，深度布朗距离协方差模块-原型网络包括深度残差神经网络、深度布朗距离协方差模块和欧几里得距离分类器；
27.s103、利用训练样本集对深度布朗距离协方差模块-原型网络进行小样本训练，得到训练好的深度布朗距离协方差模块-原型网络；
28.s104、将测试集样本输入训练好的深度布朗距离协方差模块-原型网络，得到测试查询集的预测标签。
29.具体而言，本实施例中提供的一种基于深度布朗距离的小样本sar图像目标识别方法，采用深度布朗距离协方差模块，能够增强深度残差神经网络提取的图像特征；采用深度布朗距离协方差模块-原型网络，能够获得具有更丰富图像特征的嵌入向量，能够充分地利用单个sar图像样本，从而在极少带标签样本的条件下实现对sar图像目标的准确识别。
30.请参见图3和图4所示，图3是本发明实施例提供的深度布朗距离协方差模块-原型网络的训练和测试的一种实现框架图，图4是本发明实施例提供的深度布朗距离协方差模块-原型网络的一种结构示意图，在本技术的一种可选地实施例中，利用训练样本集对深度布朗距离协方差模块-原型网络进行小样本训练，得到训练好的深度布朗距离协方差模块-原型网络的过程包括：
31.采用深度残差神经网络，将训练支持集s
train
中的样本映射到一个高维空间内，得到sar图像的特征；其中，映射函数为：
[0032][0033]
其中，xj∈rc×h×w为样本，xj为第j个图像样本，j为图像对应的下标，c为图像通道数，h为图像高，w为图像宽，为深度残差神经网络的可训练参数，为映射函数，x∈r
128
×8×8为深度残差神经网络提取到的图像特征图；可以理解的是，初始输入是r1×
60
×
60
，经过深度残差神经网络之后变成r
128
×8×8，包括128个通道，每个通道都是8
×
8的矩阵；
[0034]
将深度残差神经网络提取到的图像特征图x的每一行xi作为观测值，获取各行之间的平方欧几里得距离，其计算公式为：
[0035][0036]
其中，为哈达马积，“1”为权1的矩阵，i为单位矩阵，x为深度残差神经网络提取的图像特征，x
t
为深度残差神经网络提取的图像特征的转置，设定则各行之间的欧几里得距离为：
[0037][0038]
其中，为各行之间的平方欧几里得距离；
[0039]
基于各行之间的欧几里得距离，获得训练支持集中的样本的深度布朗距离协方差矩阵，其计算公式为：
[0040][0041]
其中，为训练支持集中的样本特征图x的各行观测值之间的欧几里得距离，d为训练支持集中的样本特征图的通道数，d
×
d为得到的深度布朗距离协方差矩阵大小；
[0042]
将深度布朗距离协方差矩阵中的负元素置零，并取出其上三角元素铺平作为训练支持集中的样本的嵌入向量，其表达式为：
[0043][0044]
其中，a
θ
(
·
)为深度残差神经网络和深度布朗距离协方差模块的映射函数，a
θ
(xj)为训练支持集中的样本的嵌入向量，θ为深度残差网络和深度布朗距离协方差模块的可训练参数；
[0045]
基于训练支持集s
train
中c
×
k个样本的嵌入向量，得到c个类原型，其计算公式为：
[0046][0047]
其中，pi为第i个类原型，为第i类训练支持集，k为训练支持集中每类样本个数，xj为第j个输入图像，yj为第j个图像的真实标签，a
θ
(xj)为输入图像经过深度残差神经网络和深度布朗距离协方差模块的嵌入向量；
[0048]
采用相同的方法，将训练查询集q
train
中的样本输入深度残差神经网络和深度布朗距离协方差模块，得到训练查询样本的嵌入向量计算训练查询样本的嵌入向量与c类原型之间的欧几里得距离，获取距离最短的类原型，并将对应的类别作为训练查询集的预测标签predj；其中，欧几里得距离的计算公式为：
[0049]
其中，为查询样本嵌入向量与类原型之间的欧几里得距离，||
·
||2为向量二范数；
[0050]
获取训练查询样本的真实标签，并基于训练查询样本的预测标签和真实标签，得到当前的交叉熵损失函数，采用随机梯度下降算法，对深度布朗距离协方差模块-原型网络进行迭代优化，得到训练好的深度布朗距离协方差模块-原型网络。
[0051]
在本技术的一种可选地实施例中，在利用训练样本集对深度布朗距离协方差模块-原型网络进行小样本训练，得到训练好的深度布朗距离协方差模块-原型网络之前还包括：
[0052]
初始化深度布朗距离协方差模块-原型网络，设置训练迭代次数为t，t≥1000，初始化迭代次数t＝0。
[0053]
在本技术的一种可选地实施例中，还包括：
[0054]
训练查询样本经过深度布朗距离协方差模块-原型网络，得到训练查询样本的预测标签，计算训练查询样本的真实标签与训练查询样本的预测标签之间的交叉熵损失函数，并将其作为训练误差，利用随机梯度下降算法反向传播误差更新深度残差神经网络和深度布朗距离协方差模块中的可训练参数θ，得到准确识别训练查询样本的深度布朗距离协方差模块-原型网络，训练误差为：
[0055]
[0056][0057]
其中，为训练查询集中的样本，yj为训练查询集样本的真实标签，为将训练查询样本识别为第yj类的分类预测概率，|q
train
|为训练查询集中的样本总数，为第j个训练查询集中的样本的嵌入向量到第k个类原型之间的欧几里得距离，c为迭代训练中设定的类别数。
[0058]
在本技术的一种可选地实施例中，将测试集样本输入训练好的深度布朗距离协方差模块-原型网络，得到测试查询集的预测标签的过程包括：
[0059]
将测试支持集s
test
中的样本xj输入训练好的深度布朗距离协方差模块-原型网络，得到测试支持集中的样本的嵌入向量a
θ
(xj)，并得到测试支持集中的同类样本的嵌入向量在各个维度上的均值作为测试过程的类原型，其中，计算公式为：
[0060][0061]
其中，pi为第i个类原型，为第i类测试支持集，k为测试支持集中每类样本个数；
[0062]
将测试查询集q
test
中的样本输入训练好的深度布朗距离协方差模块-原型网络，得到测试查询集中的样本的嵌入向量计算测试查询集中的样本的嵌入向量与类原型之间距离的最小值，得到测试查询样本的预测标签，其中，计算公式为：
[0063][0064]
其中，d(
·
)为欧几里得距离，为查询样本嵌入向量与类原型之间的欧几里得距离；
[0065]
对比训练好的深度布朗距离协方差模块-原型网络对所有测试查询样本的预测标签与真实标签，得到识别准确率；其中，计算公式为：
[0066][0067]
其中，i(
·
)为指数函数，成立，则识别准确率为1，否则为0；，为模型对查询样本的预测标签，yj为查询样本的真实标签，|q
test
|为测试查询集的样本数量，acc为模型的测试准确率。
[0068]
请参见图5所示，图5是本发明实施例提供的残差块的一种结构示意图，在本技术地一种可选地实施例中，深度布朗距离协方差模块-原型网络包括第一卷积层、第一残差块、第二残差块、第三残差块、第四残差块、第五残差块、第六残差块、第七残差块、第八残差块、深度布朗距离协方差模块和欧几里得分类器；
[0069]
其中，各残差块均包括第二卷积层、第一批规范化层、第一relu激活层、第三卷积
层和第二批规范化层。
[0070]
在本技术的一种可选地实施例中，当各残差块的输入与输出的通道数不相等时，将残差块的输入经过卷积操作和批规范化操作，再与残差块的输出相加作为残差块的最终输出。
[0071]
在本技术的一种可选地实施例中，还包括：对合成孔径雷达图像进行目标分割。
[0072]
在本技术的一种可选地实施例中，通过以下步骤实现检测目标的识别，具体为：
[0073]
s101、获取sar图像的训练样本集和测试样本集。
[0074]
训练样本取自俯仰角为17
°
的7类mstar数据集的训练样本，测试样本分别取自俯仰角为15
°
和17
°
的另外3类mstar数据集的测试样本；原始sar图像大小为128
×
128，为了去除图片噪声及目标周边的环境特征，对原始sar图像进行形态学的sar目标分割，将图像中心裁剪为60
×
60大小的图片，只保留目标特征。
[0075]
s102、构建深度布朗距离协方差模块-原型网络。
[0076]
构建包括一个深度残差神经网络、一个深度布朗距离协方差模块和一个欧几里得距离分类器的深度布朗距离协方差模块-原型网络；具体结构包括第一卷积层
→
第一残差块
→
第二残差块
→
第三残差块
→
第四残差块
→
第五残差块
→
第六残差块
→
第七残差块
→
第八残差块
→
深度布朗距离协方差模块
→
欧几里得分类器；其中每一个残差块的具体结构包括第二卷积层
→
第一批规范化层
→
第一relu激活层
→
第三卷积层
→
第二批规范化层。
[0077]
其中，第一卷积层、第一残差块、第二残差块、第四残差块、第六残差块和第八残差块内卷积操作中卷积核大小均为3
×
3、滑动步长均为1、padding填充参数也都为1；第三残差块、第五残差块和第七残差块内的第一个卷积操作的卷积核大小均为3
×
3、滑动步长均为1、padding参数均为1，第二个卷积操作的卷积核大小均为3
×
3、滑动步长均为2、padding参数均为1；额外层内卷积操作的卷积核大小为1
×
1，滑动步长均为2。
[0078]
需要说明的是，当残差块的输入与输出的通道数不相等时，需要将输入额外经过一个卷积操作和一个批规范化操作，再将其与输出相加作为残差块的最后输出。
[0079]
s103、利用训练支持集和训练查询集对深度布朗距离协方差模块-原型网络进行小样本训练，得到能准确识别训练查询样本的模型。
[0080]
s1031、设置训练迭代次数为，t≥1000，初始化迭代次数t＝0。
[0081]
s1032、将训练支持集s
train
和训练查询集q
train t中的样本送入初始化的深度布朗距离协方差模块-原型网络中，得到训练查询样本的预测标签。
[0082]
s10321、深度残差神经网络将训练样本映射到一个高维空间内，对于样本xj∈rc×h×w，这一操作相当于对样本进行映射编码，得到sar图像样本的特征，映射函数的表达式为：
[0083][0084]
其中，xj∈rc×h×w为样本，xj为第j个图像样本，c为图像通道数，h为图像高，w为图像宽，为深度残差神经网络的可训练参数，为映射函数，x∈r
128
×8×8为深度残差神经网络提取到的图像特征图；
[0085]
s10322、将深度残差神经网络提取到的图像特征图x的每一行xi作为观测值，获取各行之间的平方欧几里得距离，其计算公式为：
[0086][0087]
其中，为哈达马积，“1”为权1的矩阵，i为单位矩阵，x为深度残差神经网络提取的图像特征，x
t
为深度残差神经网络提取的图像特征的转置，设定则各行之间的欧几里得距离为：
[0088][0089]
其中，为各行之间的平方欧几里得距离；
[0090]
基于各行之间的欧几里得距离，获得训练支持集中的样本的深度布朗距离协方差矩阵，其计算公式为：
[0091][0092]
其中，为训练支持集中的样本特征图x的各行观测值之间的欧几里得距离，d为训练支持集中的样本特征图的通道数，d
×
d为得到的深度布朗距离协方差矩阵大小；
[0093]
将深度布朗距离协方差矩阵中的负元素置零，并取出其上三角元素铺平作为训练支持集中的样本的嵌入向量，其表达式为：
[0094][0095]
其中，a
θ
(
·
)为深度残差神经网络和深度布朗距离协方差的映射函数，a
θ
(xj)为训练支持集中的样本的嵌入向量，θ为深度残差网络和深度布朗距离协方差模块的可训练参数；
[0096]
s10323、基于训练支持集s
train
中c
×
k个样本的嵌入向量，得到c个类原型，其计算公式为：
[0097][0098]
其中，pi为第i个类原型，为第i类训练支持集，k为训练支持集中每类样本个数，xj为第j个输入图像，yj为第j个图像的真实标签，a
θ
(xj)为输入图像经过深度残差神经网络和深度布朗距离协方差模块的嵌入向量；
[0099]
采用相同的方法，将训练查询集q
train
中的样本输入深度残差神经网络和深度布朗距离协方差模块，得到训练查询样本的嵌入向量计算训练查询样本的嵌入向量与c类原型之间的欧几里得距离，获取距离最短的类原型，并将对应的类别作为训练查询集的预测标签predj；其中，欧几里得距离的计算公式为：
[0100]
其中，为查询样本嵌入向量与类原型之间的欧几里得距离，||
·
||2为向量二范数；
[0101]
s10324、获取训练查询样本的真实标签，并基于训练查询样本的预测标签和真实标签，得到当前的交叉熵损失函数，采用随机梯度下降算法，对深度布朗距离协方差模块-原型网络进行迭代优化，得到训练好的深度布朗距离协方差模块-原型网络。
[0102]
训练好的深度布朗距离协方差模块-原型网络对训练查询样本预测标签产生的误差为：
[0103][0104][0105]
其中，其中，为训练查询集中的样本，yj为训练查询集样本的真实标签，为将训练查询样本预测为第yj类的预测概率，|q
train
|为训练查询集中的样本总数，为第j个训练查询集中的样本的嵌入向量到第k个类原型之间的欧几里得距离。
[0106]
s104、将中心裁剪的测试集样本送入训练好的深度布朗距离协方差模块-原型网络，得到测试查询集的预测标签。
[0107]
s1041、将测试支持集s
test
中的样本xj输入训练好的深度布朗距离协方差模块-原型网络，得到测试支持集中的样本的嵌入向量a
θ
(xj)，并得到测试支持集中的同类样本的嵌入向量在各个维度上的均值作为测试过程的类原型，其中，计算公式为：
[0108][0109]
其中，pi为第i个类原型，为第i类测试支持集，k为测试支持集中每类样本个数；
[0110]
s1042、将测试查询集q
test
中的样本输入训练好的深度布朗距离协方差模块-原型网络，得到测试查询集中的样本的嵌入向量计算测试查询集中的样本的嵌入向量与类原型之间距离的最小值，得到测试查询样本的预测标签，其中，计算公式为：
[0111][0112]
其中，d(
·
)为欧几里得距离，为查询样本嵌入向量与类原型之间的欧几里得距离；
[0113]
s1043、对比训练好的深度布朗距离协方差模块-原型网络对所有测试查询样本的预测标签与真实标签，得到识别准确率；其中，计算公式为：
[0114][0115]
其中，i(
·
)为指数函数，当成立，则识别准确率为1，否则为0；，为模型对查询样本的预测标签，yj为查询样本的真实标签，|q
test
|为测试查询集的样本数量，为模型的测试准确率。
[0116]
本发明提供的一种基于深度布朗距离的小样本sar图像目标识别方法，采用深度
布朗距离协方差模块，能够增强深度残差神经网络提取的图像特征；采用深度布朗距离协方差模块-原型网络，能够获得具有更丰富图像特征的嵌入向量，能够充分地利用单个sar图像样本，从而在极少带标签样本的条件下实现对sar图像目标的准确识别。
[0117]
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。

技术特征：

1.一种基于深度布朗距离的小样本sar图像目标识别方法，其特征在于，包括：获取合成孔径雷达图像，并分为训练样本集和测试样本集；其中，所述训练样本集包括训练支持集和训练查询集，所述测试样本集包括测试支持集和测试查询集；构建深度布朗距离协方差模块-原型网络；其中，所述深度布朗距离协方差模块-原型网络包括深度残差神经网络、深度布朗距离协方差模块和欧几里得距离分类器；利用所述训练样本集对所述深度布朗距离协方差模块-原型网络进行小样本训练，得到训练好的深度布朗距离协方差模块-原型网络；将所述测试集样本输入所述训练好的深度布朗距离协方差模块-原型网络，得到所述测试查询集的预测标签。2.根据权利要求1所述的基于深度布朗距离的小样本sar图像目标识别方法，其特征在于，所述利用所述训练样本集对所述深度布朗距离协方差模块-原型网络进行小样本训练，得到训练好的深度布朗距离协方差模块-原型网络的过程包括：采用所述深度残差神经网络，将所述训练支持集s
train
中的样本映射到一个高维空间内，得到sar图像的特征；其中，映射函数为：其中，x
j
∈r
c
×
h
×
w
为样本，x
j
为第j个图像样本，c为图像通道数，h为图像高，w为图像宽，为深度残差神经网络的可训练参数，为映射函数，x∈r
128
×8×8为深度残差神经网络提取到的图像特征图；将所述深度残差神经网络提取到的图像特征图x的每一行x
i
作为观测值，获取各行之间的平方欧几里得距离，其计算公式为：其中，为哈达马积，“1”为权1的矩阵，i为单位矩阵，x为深度残差神经网络提取的图像特征，x
t
为深度残差神经网络提取的图像特征的转置，设定则各行之间的欧几里得距离为：其中，为各行之间的平方欧几里得距离；基于各行之间的欧几里得距离，获得所述训练支持集中的样本的深度布朗距离协方差矩阵，其计算公式为：其中，为所述训练支持集中的样本特征图x的各行观测值之间的欧几里得距离，d为所述训练支持集中的样本特征图的通道数，d
×
d为得到的深度布朗距离协方差矩阵大小；将深度布朗距离协方差矩阵中的负元素置零，并取出其上三角元素铺平作为所述训练支持集中的样本的嵌入向量，其表达式为：
其中，a
θ
(
·
)为深度残差神经网络和深度布朗距离协方差模块的映射函数，a
θ
(x
j
)为所述训练支持集中的样本的嵌入向量，θ为深度残差网络和深度布朗距离协方差模块的可训练参数；基于所述训练支持集s
train
中c
×
k个样本的嵌入向量，得到c个类原型，其计算公式为：其中，p
i
为第i个类原型，为第i类训练支持集，k为训练支持集中每类样本个数，x
j
为第j个输入图像，y
j
为第j个图像的真实标签，a
θ
(x
j
)为输入图像经过深度残差神经网络和深度布朗距离协方差模块得到的嵌入向量；采用相同的方法，将所述训练查询集q
train
中的样本输入深度残差神经网络和深度布朗距离协方差模块，得到训练查询样本的嵌入向量计算训练查询样本的嵌入向量与c类原型之间的欧几里得距离，获取距离最短的类原型，并将对应的类别作为训练查询集的预测标签pred
j
；其中，欧几里得距离的计算公式为：其中，为查询样本嵌入向量与类原型之间的欧几里得距离，||
·
||2为向量二范数；获取训练查询样本的真实标签，并基于训练查询样本的预测标签和真实标签，得到当前的交叉熵损失函数，采用随机梯度下降算法，对深度布朗距离协方差模块-原型网络进行迭代优化，得到训练好的深度布朗距离协方差模块-原型网络。3.根据权利要求2所述的基于深度布朗距离的小样本sar图像目标识别方法，其特征在于，在利用所述训练样本集对所述深度布朗距离协方差模块-原型网络进行小样本训练，得到训练好的深度布朗距离协方差模块-原型网络之前还包括：初始化深度布朗距离协方差模块-原型网络，设置训练迭代次数为t，t≥1000，初始化迭代次数t＝0。4.根据权利要求2所述的基于深度布朗距离的小样本sar图像目标识别方法，其特征在于，还包括：所述训练查询样本经过所述深度布朗距离协方差模块-原型网络，得到所述训练查询样本的预测标签，计算训练查询样本的真实标签与训练查询样本的预测标签之间的交叉熵损失函数，并将其作为训练误差，利用随机梯度下降算法反向传播误差更新深度残差神经网络和深度布朗距离协方差模块中的可训练参数θ，得到准确识别训练查询样本的深度布朗距离协方差模块-原型网络，训练误差为：原型网络，训练误差为：其中，为训练查询集中的样本，y
j
为训练查询集样本的真实标签，为将
训练查询样本识别为第y
j
类的分类预测概率，|q
train
|为训练查询集中的样本总数，为第j个训练查询集中的样本的嵌入向量到第k个类原型之间的欧几里得距离，c为迭代训练中设定的类别数。5.根据权利要求1所述的基于深度布朗距离的小样本sar图像目标识别方法，其特征在于，所述将所述测试集样本输入所述训练好的深度布朗距离协方差模块-原型网络，得到所述测试查询集的预测标签的过程包括：将测试支持集s
test
中的样本x
j
输入训练好的深度布朗距离协方差模块-原型网络，得到测试支持集中的样本的嵌入向量a
θ
(x
j
)，并得到测试支持集中的同类样本的嵌入向量在各个维度上的均值作为测试过程的类原型，其中，计算公式为：其中，p
i
为第i个类原型，为第i类测试支持集，k为测试支持集中每类样本个数；将测试查询集q
test
中的样本输入训练好的深度布朗距离协方差模块-原型网络，得到测试查询集中的样本的嵌入向量计算测试查询集中的样本的嵌入向量与类原型之间距离的最小值，得到测试查询样本的预测标签，其中，计算公式为：其中，d(
·
)为欧几里得距离，)为欧几里得距离，为查询样本嵌入向量与类原型之间的欧几里得距离；对比训练好的深度布朗距离协方差模块-原型网络对所有测试查询样本的预测标签与真实标签，得到识别准确率；其中，计算公式为：其中，i(
·
)为指数函数，当成立，则识别准确率为1，否则为0；，为模型对查询样本的预测标签，y
j
为查询样本的真实标签，|q
test
|为测试查询集的样本数量，acc为模型的测试准确率。6.根据权利要求1所述的基于深度布朗距离的小样本sar图像目标识别方法，其特征在于，所述深度布朗距离协方差模块-原型网络包括第一卷积层、第一残差块、第二残差块、第三残差块、第四残差块、第五残差块、第六残差块、第七残差块、第八残差块、深度布朗距离协方差模块和欧几里得分类器；其中，各残差块均包括第二卷积层、第一批规范化层、第一relu激活层、第三卷积层和第二批规范化层。7.根据权利要求6所述的基于深度布朗距离的小样本sar图像目标识别方法，其特征在于，当各残差块的输入与输出的通道数不相等时，将残差块的输入经过卷积操作和批规范化操作，再与残差块的输出相加作为残差块的最终输出。8.根据权利要求1所述的基于深度布朗距离的小样本sar图像目标识别方法，其特征在于，还包括：对合成孔径雷达图像进行目标分割。

技术总结

本发明公开了一种基于深度布朗距离的小样本SAR图像目标识别方法，涉及雷达信号处理技术领域，包括：获取合成孔径雷达图像，并分为训练样本集和测试样本集；构建深度布朗距离协方差模块-原型网络；其中，深度布朗距离协方差模块-原型网络包括深度残差神经网络、深度布朗距离协方差模块和欧几里得距离分类器；利用训练样本集对深度布朗距离协方差模块-原型网络进行小样本训练，得到训练好的深度布朗距离协方差模块-原型网络；将测试集样本输入训练好的深度布朗距离协方差模块-原型网络，得到测试查询集的预测标签。本申请能够提高SAR图像目标的识别准确度。像目标的识别准确度。像目标的识别准确度。