域重构引导的SAR图像目标自适应识别方法与系统
知识产权简介
本发明提供了一种域重构引导的SAR图像目标自适应识别方法与系统,属于SAR图像目标识别与域自适应技术领域。该方法包括:初始化模块输入源域标注图像数据和目标域未标注图像数据,并设置模型训练参数;特征提取模块基于共享深度神经网络对源域和目标域图像进行深层特征表示学习;域重构模块通过重构解码器将提取的特征重映射回图像空间,构建源域重构损失和目标域重构损失,以增强特征的域感知能力和重构一致性;域对齐模块基于统计特征对齐策略,通过最小化源域与目标域特征的统计差异度量使特征提取器学习域不变特征表示;分类优化模块基于源域标签信息和伪标签信息构建监督分类损失,并融入目标域特征进行学习,将分类损失、重构损失和统计对齐损失依比例进行联合优化,通过端到端训练更新模型参数,最终对目标域图像进行自适应识别并输出类别结果。不仅提升了目标域样本的识别准确率,还增强了模型在无标注目标域数据场景下的泛化能力和鲁棒性,为SAR图像目标识别的实际应用提供技术支撑。
转化前景
本申请属于合成孔径雷达图像处理技术领域;本申请提出了一种域重构引导的SAR图像目标自适应识别方法与系统,该方法包括:初始化模块输入源域标注图像数据和目标域未标注图像数据,并设置模型训练参数;特征提取模块基于共享深度神经网络对源域和目标域图像进行深层特征表示学习;域重构模块通过重构解码器将提取的特征重映射回图像空间,构建源域重构损失和目标域重构损失,以增强特征的域感知能力和重构一致性;域对齐模块基于统计特征对齐策略,通过最小化源域与目标域特征的统计差异度量使特征提取器学习域不变特征表示;分类优化模块基于源域标签信息和伪标签信息构建监督分类损失,并融入目标域特征进行学习,将分类损失、重构损失和统计对齐损失依比例进行联合优化,通过端到端训练更新模型参数,最终对目标域图像进行自适应识别并输出类别结果。性能指标方面,首先,基于特征对齐的方法往往仅在特征空间进行隐式约束,缺乏对特征表示质量的显式监督,容易导致特征提取器学习到的表示丢失原始图像的关键语义信息,从而影响分类判别性。其次,现有的统计对齐方法通常仅在全局特征层面施加对齐约束,忽视了类别条件分布的精细对齐,且缺乏伪标签等机制以拉近两域决策边界。本申请通过域重构机制显式约束特征的域内一致性与跨域可迁移性,结合统计特征对齐策略,使得特征提取器既能保持原始图像的语义信息,又能学习到对域差异鲁棒的判别特征。结合伪标签生成与Mixup域融合增强策略,从而有效解决SAR图像在不同传感器、成像模式和环境条件下的域偏移问题。域重构引导的自适应策略不仅提升了目标域样本的识别准确率,还增强了模型在无标注目标域数据场景下的泛化能力和鲁棒性,为SAR图像目标识别的实际应用提供技术支撑。