一种基于优化特征空间分布的目标增量识别方法及系统

本发明设计图像自动识别领域，尤其是涉及一种基于优化特征空间分布的目标增量识别方法及系统。

背景技术：

1、合成孔径雷达(synthet ic aperture radar，sar)能够全天候、全天时地获取高分辨图像。目前，基于神经网络的sar图像自动识别模型已经取得了优秀的性能。然而，这些模型大多是对数据集“闭合”的，它们在固定的训练集上进行反复迭代直至收敛，最终获得对当前任务中所有类别的分类能力。一旦学习新任务，便会遭遇“灾难性遗忘”，即在旧任务上的性能大幅下降。在实际应用中，各种目标的sar图像样本通常并非一次性获取，而是多次探测并分批获取。这就要求分类模型拥有在学习到一定分类能力的基础上，能够继续处理新的样本，甚至学习新类别的能力，而常规的sar图像自动识别模型无法满足这些实际需求。

2、类增量学习算法能够实现在保存模型旧知识的前提下使模型持续学习新知识。具体来说，神经网络首先在具有一定类别的基础任务上训练，随后包含若干新类别的新任务随时间依次到达。上一阶段的模型用于初始化新模型，新模型在新任务上学习以获得对新类别的分类能力。随着新任务的到来，神经网络能够识别的类别不断增加，从而达到持续学习的目的。

3、但是，现有的类增量学习算法并未充分考虑sar图像特性。相同目标在不同方位角下的sar图像并不一致，不同目标在相同方位角下却较为相似。因此，sar目标图像的类内差异相对较大，而类间差异则恰好相反。这使得不同类别的特征更容易在特征空间中发生交叠，从而无法达到较好的增量识别效果。

技术实现思路

1、本发明的目的在于提供一种基于优化特征空间分布的目标增量识别方法及系统，旨在解决sar目标增量识别问题。

2、本发明提供一种基于优化特征空间分布的目标增量识别方法，包括，

3、s1、建立深度卷积神经网络；

4、s2、利用基础数据和增量数据对深度卷积神经网络进行基础训练和增量学习训练；

5、s3、将待测图像输入完成训练的深度卷积神经网络，得到图像的分类预测结果。

6、本发明还提供一种基于优化特征空间分布的目标增量识别系统，包括：

7、建立模块：用于建立深度卷积神经网络；

8、训练模块：用于利用基础数据和增量数据对深度卷积神经网络进行基础训练和增量学习训练，得到目标增量识别模型；

9、测试模块：将用于测试的sar图像输出目标增量识别模型，获取sar图像的预测类别以及整体识别准确率。

10、本发明的有益效果为：使用特征可分性损失，减小特征的类内差异，增加特征的类间差异，使不同类别的特征更容易区分；使用类内聚集损失，将旧类别特征约束在固定的特征中心附近，从而保持旧类别特征的可分性，减少已学知识的遗忘；使用基于边缘特征的全连接层修正方法，强化全连接层对新旧类别的分类边界，减少分类错误。

11、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

技术特征：

1.一种基于优化特征空间分布的目标增量识别方法，其特征在于，包括：

2.根据权利要求1所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述输入层包括依次连接的一个7*7卷积层、一个bn层、一个relu激活函数层和一个最大池化层。

3.根据权利要求1所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述特征提取层包括4个依次连接的单元，分别由2、2、2和2个残差模块构成，所述残差模块由依次连接的两个卷积模块构成，卷积模块由依次连接的一个3*3卷积、一个bn层、一个relu激活函数层构成；在第二个卷积模块的relu激活函数层之前，存在一个跳跃连接节点，第二个卷积模块bn层的输出在此处与整个残差模块的输入相加。

4.根据权利要求1所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述输出层包含2个依次连接的全连接层，第一个全连接层将特征提取层的输出转化为64维特征，第二个全连接层将64维特征映射为分类输出。

5.根据权利要求1所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：s2具体包括：

6.根据权利要求5所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述特征可分性损失为：

7.根据权利要求5所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述类内聚集损失为：

8.根据权利要求1或4或5所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述输出层第二个全连接层的参数修正具体过程包括：

9.根据权利要求1所述的一种基于优化特征空间分布的目标增量识别方法，其特征在于：所述s3具体包括：

10.一种基于优化特征空间分布的目标增量识别系统，其特征在于，包括：

技术总结
本发明公开了一种基于优化特征空间分布的目标增量识别方法及系统，包括S1、建立深度卷积神经网络；S2、利用基础数据和增量数据对深度卷积神经网络进行基础学习和增量学习；S3、将待测图像输入完成训练的深度卷积神经网络，得到图像的分类预测结果。本发明基于深度卷积神经网络，设计了一种基于优化特征空间分布的目标增量学习方法，该方法在维持旧类别特征的可分性的前提下，增强新旧类别特征之间的可分性，最终使分类模型能够正确区分的目标类别不断增加。

技术研发人员：高飞,孔令哲,王俊,孙进平,许小剑
受保护的技术使用者：北京航空航天大学
技术研发日：
技术公布日：2024/6/5