(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 202211032994.6 (22)申请日 2022.08.26 (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 李明　郑佳　张澍　吴艳　张鹏　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 李薇 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 基于自监督学习和最近邻网络的小样本SAR 目标分类方法 (57)摘要 本发明涉及一种基于自监督学习和最近邻 网络的小样本SAR目标分类方法， 包括： 从若干合 成孔径雷达图像中获取训练任务集和测试任务 集； 构建预训练阶段网络模型； 利用训练任务集 对预训练阶段网络模型进行迭代训练； 构建自监 督训练阶段网络模型； 将训练好的预训练阶段网 络模型的参数加载到自监督训练阶段网络模型 中， 并利用训练任务集对加载后的自监督训练阶 段网络模型进行迭代训练； 将测试任务集输入训 练好的第三特征提取模块进行特征提取， 得到测 试特征向量组集合； 计算测试特征向量组集合中 测试查询样本对应的测试特征向量和每一个测 试支撑样本对应的测试特征向量的相似度， 得到 目标分类结果。 该分类方法有效地提高了小样本 目标的分类准确率。 权利要求书3页 说明书12页 附图2页 CN 115482461 A 2022.12.16 CN 115482461 A 1.一种基于自监督学习和最近邻网络的小样本SAR 目标分类方法， 其特征在于， 包括步 骤： S1、 从若干合成孔径雷达图像 中获取训练任务集和测试任务集， 其中， 所述训练任务集 中每个训练任务包括训练支撑样本和训练查询样本， 所述测试任务集中每个测试任务包测 试支撑样本集和 测试查询样本； S2、 构建预训练 阶段网络模型， 其中， 所述预训练 阶段网络模型包括依次级联的第一特 征提取模块、 多层感知机模块和相似度计算模块； S3、 利用所述训练任务集对预训练阶段网络模型进行迭代训练， 并利用交叉熵损失函 数对所述预训练阶段网络模型进行 更新， 得到训练好的预训练阶段网络模型； S4、 构建自监督训练 阶段网络模型， 其中， 所述自监督训练 阶段网络模型包括并联的第 二特征提取模块和第三特征提取模块， 所述第一特征提取模块、 所述第二特征提取模块和 所述第三特 征提取模块的结构相同； S5、 将所述训练好的预训练阶段网络模型中所述第 一特征提取模块的参数加载到所述 自监督训练阶段网络模型中， 并利用所述训练任务集对加载后的自监督训练阶段网络模型 进行迭代训练， 在训练过程中， 利用负余弦相似度损失函数和自监督损失函数对所述第三 特征提取模块进行 更新， 得到训练好的第三特 征提取模块； S6、 将所述测试任务集输入到所述训练好的第三特征提取模块进行特征提取， 得到测 试特征向量组集 合； S7、 计算所述测试特征向量组集合中所述测试查询样本对应的测试特征向量和每一个 所述测试支撑样本对应的测试 特征向量的相似度， 得到目标分类结果。 2.根据权利要求1所述的基于自监督学习和最近邻网络的小样本SAR 目标分类方法， 其 特征在于， 所述第一特征提取模块包括依次级联的第一特征提取子模块和 第二特征提取子 模块， 其中， 所述第一特征提取子模块包括依次级联的第一卷积层、 第一批量归一化层、 第一激活 函数层和最大池化层； 所述第二特征提取子模块包括依次级联的第 二卷积层、 第 二批量归一化层和第 二激活 函数层； 所述多层感知机模块包括全连接层。 3.根据权利要求2所述的基于自监督学习和最近邻网络的小样本SAR 目标分类方法， 其 特征在于， 所述第一卷积层和所述第二卷积层中卷积核的个数均为64， 卷积核的大小均为3 ×3， 步长和填充均为1； 所述第一激活函数层和所述第二激活函数层均采用Leaky  Relu， 其 参数均为0.2； 所述 最大池化层的池化核大小为2 ×2， 步长为2。 4.根据权利要求2所述的基于自监督学习和最近邻网络的小样本SAR 目标分类方法， 其 特征在于， 步骤S3包括： S31、 初始化设置预训练阶段迭代次数、 预训练阶段最大迭代次数和第n次迭代的预训 练阶段网络模型； S32、 利用所述第 一特征提取模块对所述每个训练任务进行特征提取， 得到第一特征向 量组集合； S33、 利用所述多层感知机模块将所述特征向量组集合中的每个特征映射到样本标记权　利　要　求　书 1/3 页 2 CN 115482461 A 2空间， 得到第二特 征向量组集 合； S34、 利用所述相似度计算模块计算所述第二特征向量组集合中所述训练查询样本对 应的特征向量与每 个所述训练支撑样本对应的特 征向量的相似度， 得到相似度得分集； S35、 采用交叉熵损失函数计算每次迭代过程中所述预训练阶段网络模型的第一损失 值， 并采用梯度下降法将所述第一损失值对第一权值参数的偏导在所述预训练阶段网络模 型中进行反向传播， 以对所述第一权值 参数进行 更新， 得到更新后的第一权值 参数； S36、 判断迭代是否完成， 若是， 则得到所述训练好的预训练阶段网络模型； 若否， 则继 续进行迭代训练。 5.根据权利要求4所述的基于自监督学习和最近邻网络的小样本SAR 目标分类方法， 其 特征在于， 利用所述相似度计算模块计算相似度的公式为： 其中， 表示 与 之间的相似度得分， 表示支撑样本 依次经过 第一特征提取模块D和多层感知机模块E得到的特征向量， 表示查询样本 经过特 征提取模块D和多层感知机模块E得到的特征向量， m表示支撑特征向量被划分的局部描述 子的个数， z表示查询特征向量被划分的局部描述子的个数， xi表示支撑特征向量中第i个 局部描述子， 表示查询特征向量中第j个局部描述子 。 6.根据权利要求4所述的基于自监督学习和最近邻网络的小样本SAR 目标分类方法， 其 特征在于， 所述第一损失值 为： 其中， M表示每个类别对应的图像数量， m1表示 和ym1中第m1个真实标签和预测标签， 表示预测标签对应的真实标签， ym1表示预测标签， l n表示以自然常数 e为底的对数； 所述更新后的第一权值 参数为： 其中， 表示第一权值参数ωs1的更新结果， ωs1表示第一权值参数， Ls1表示第一损失 值， η表示 Ls1的学习率， 表示求导操作。 7.根据权利要求2所述的基于自监督学习和最近邻网络的小样本SAR 目标分类方法， 其 特征在于， 所述第二特征提取模块包括依次级联的第三卷积层、 第三批量归一化层、 第三激活函 数层和第二 最大池化层；权　利　要　求　书 2/3 页 3 CN 115482461 A 3