(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 202210917882.2 (22)申请日 2022.08.01 (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 董刚刚　耿晓静　夏子恒　刘宏伟　 (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 王丹 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种开放条件下的未知类型目标识别方法 (57)摘要 本发明公开了一种开放条件下的未知类型 目标识别方法， 提出使用不同类别的样本在分类 网络的输入层或者中间隐藏层 进行随机组合， 生 成未知类别样本的方法， 针对性地在合成孔径雷 达目标识别问题中， 实现对未知目标的准确判 识， 具体包括随机裁剪拼接和随机线性插值两种 技术路线。 本发 明提出的方法中生成未知类目标 所需要的计算量简单， 而且不需要依赖于大量的 训练样本即可实现理想的识别效果。 本发明提出 的方法可借助新生成的未知类样本将决策边界 推向其对应的聚类， 紧凑类内间距。 权利要求书3页 说明书14页 附图5页 CN 115393628 A 2022.11.25 CN 115393628 A 1.一种开放条件下的未知类型目标识别方法， 其特征在于， 所述未知类型的目标识别 方法包括： 步骤1、 获取第一训练目标集， 所述第一训练目标集包括K类已知类型的目标； 步骤2、 对所述第一训练目标集进行 数据增强预处 理， 以得到第二训练目标集； 步骤3、 从所述第二训练目标集中选取n类来自不同类型的大小为B的目标数据， 并对该 n类的目标数据调整n次顺序得到的n个不同排列方式的输入 数据， 以基于对所述n个不同排 列方式的输入数据的拼接结果得到未知目标源数组， 其中， 2≤n≤K； 步骤4、 将所述未知目标源数组输入至分类神经网络， 以利用随机裁剪拼接或者随机线 性插值处 理所述未知目标源数组， 得到未知类型目标； 步骤5、 将所述未知类型目标和所述第二训练目标集输入到待训练的分类神经网络对 分类神经网络进行训练， 得到损失函数收敛后的K+1类分类模型； 步骤6、 迭代地将验证数据集输入至K+1类分类模型中， 最后将经过全连接层的输出激 活向量作Softmax归一化处理， 得到输出概率分数， 验证数据集中的每个数据对应的输出概 率分数中的最大值作为该数据的最大概率输出值； ， 将验证数据集中所有数据对应的最大 概率输出值按照从小到大的顺序排序， 基于第一预设位置从排序后的最大概率输出值中选 择一个最大概率输出值作为阈值ε1； 将验证数据集中所有数据对应 的第K+1类下的输出概 率分数按照从小到大的顺序排序， 基于第二预设位置从排序后的输出概率分数中选择一个 作为阈值 ε2； 步骤7、 将待识别的目标输入至所述K+1类分类模型， 得到所述待识别的目标的最大概 率输出值， 以根据所述待识别的目标的最大概率输出值和所述阈值ε1的关系以及目标在第 K+1类别上的输出概 率分数与阈值 ε2的关系确定所述待识别的目标的识别结果。 2.根据权利要求1所述的开放条件下的未知类型目标识别方法， 其特征在于， 所述分类 神经网络为通过在classifier32分类神经网络的中间位置的两个原始组合层之间添加一 组合层和在最后两个原始组合层之 间添加一组合层得到的， 所述组合层包含卷积层和激活 函数层。 3.根据权利要求1所述的开放条件下的未知类型目标识别方法， 其特征在于， 基于对所 述n个不同排列方式的输入数据的拼接结果得到未知目标源数组， 包括： 将所述n个不同排列方式的输入数据按列拼接得到B ×n的数组； 对B×n的数组进行逐行检查， 判断每一行中是否有数据 是同一类型， 若是， 则删除该行 数据， 若否， 则保留该 行数据， 以得到所述未知目标源数组。 4.根据权利要求1所述的开放条件下的未知类型目标识别方法， 其特征在于， 所述步骤 4， 包括： 将所述未知目标源数组输入至分类神经网络， 以在所述分类神经网络的输入层对所述 未知目标源数组进行随机 裁剪拼接， 得到未知类型目标， 记为第一种技 术路线； 或者， 将所述未知目标源数组输入至分类神经网络， 以在所述分类神经网络的中间层对所述 未知目标源数组进行随机线性插值， 得到未知类型目标， 记为第二种技术路线， 其中， 所述 中间层为所述分类神经网络中处于中间位置的组合层。 5.根据权利要求4所述的开放条件下的未知类型目标识别方法， 其特征在于， 在n为偶 数时， 将所述未知目标源数组输入至分类神经网络， 以在所述分类神经网络的输入层对所权　利　要　求　书 1/3 页 2 CN 115393628 A 2述未知目标源数组进行随机 裁剪拼接， 得到未知类型目标， 包括： S1.1、 首先按照 贝塔分布随机选取1个h、 (n/2 ‑1)个w， 以构成(n/2 ‑1)个坐标， 分别 记为 (w1， h)、 (w2， h)至(wn/2‑1， h)； S1.2、 以所述S1.1得到的(n/2 ‑1)个坐标为中心点沿轴横轴和纵轴方向作水平线和垂 直线， 以将图像分割成n个裁剪区域， 并将其形状分别记为v0(a0， b0)、 v1(a1， b1)至vn‑1(an‑1， bn‑1)， v0(a0， b0)至vn/2‑1(an/2‑1， bn/2‑1)位于水平线之上， vn/2(an/2， bn/2)至vn‑1(an‑1， bn‑1)位于 水平线之下， 其中， ai、 bi分别代表宽和长， 0 ≤i≤n‑1； S1.3、 对于在(0， a ‑ai)、 (0， b‑bi)范围内分别产生随机数xi、 yi， 令(xi， yi)表示第i幅图 像的裁剪区域的起始位置， 以(xi， yi)为裁剪区域的左上角， 按照vi(ai， bi)的形状对第i幅图 像进行裁 剪， 得到裁剪后的图像v ′i(ai， bi)； S1.4、 将图像v ′0(a0， b0)至图像v ′n/2‑1(an/2‑1， bn/2‑1)沿横轴方向按列拼接得到图像 将图像v′n/2(an/2， bn/2)至图像v ′n‑1(an‑1， bn‑1)沿横轴方向按列拼接得到图像 S1.5、 将图像 和图像 沿纵轴方向按行拼接得到未知类型目标。 6.根据权利要求4所述的开放条件下的未知类型目标识别方法， 其特征在于， 在n为奇 数时， 将所述未知目标源数组输入至分类神经网络， 以在所述分类神经网络的输入层对所 述未知目标源数组进行随机 裁剪拼接， 得到未知类型目标， 包括： S2.1、 首先按照 贝塔分布随机选取1个h、 (n ‑1)/2个w， 以构成(n ‑1)/2个坐标， 分别 记为 (w1， h)、 (w2， h)至(w(n‑1)/2， h)； S2.2、 以所述S2.1得到的(n ‑1)/2个坐标为中心点沿纵轴方向作垂直线， 在(0， w(n‑1)/2) 范围内沿横轴作水平线， 以将图像分割成n个裁剪区域， 并将其形状分别记为v0(a0， b0)、 v1 (a1， b1)至vn‑1(an‑1， bn‑1)， 其中， v0(a0， b0)至v(n‑3)/2(a(n‑3)/2， b(n‑3)/2)位于水平线之上， v(n+1)/2 (a(n+1)/2， b(n+1)/2)至vn‑1(an‑1， bn‑1)位于水平线之下， v(n‑1)/2(a(n‑1)/2， b(n‑1)/2)为未被水平线分 割的区域， ai、 bi分别代表长和宽， 0 ≤i≤n‑1； S2.3、 对于在(0， a ‑ai)、 (0， b‑bi)范围内分别产生随机数xi、 yi， 令(xi， yi)表示第i幅图 像的裁剪区域的起始位置， 以(xi， yi)为裁剪区域的左上角， 按照vi(ai， bi)的形状对第i幅图 像进行裁 剪， 得到裁剪后的图像v ″i(ai， bi)； S2.4、 将图像v ″0(a0， b0)至图像v ″(n‑3)/2(a(n‑3)/2， b(n‑3)/2)沿横轴方向按列拼接得到图像 将图像v″(n+1)/2(a(n+1)/2， b(n+1)/2)至图像v ″n‑1(an‑1， bn‑1)沿横轴方向按列拼接得到图像 S2.5、 将图像 和图像 沿纵轴方向按行拼接得到图像 S2.6、 将图像 和图像v′(n‑1)/2(a(n‑1)/2， b(n‑1)/2)沿横轴方向按列拼接得到未知类型目 标。 7.根据权利要求4所述的开放条件下的未知类型目标识别方法， 其特征在于， 通过随机 线性插值得到的未知类型目标表示 为： 其中， 为未知类型目标， C1至Cn为权系数， C1+C2+…+Cn＝1， C1至Cn为满足贝塔分布的权　利　要　求　书 2/3 页 3 CN 115393628 A 3