本發明涉及毫米波安檢門目標識別，尤其涉及一種毫米波安檢門目標識別模型訓練方法。
背景技術：
1、目前，在毫米波安檢門回波目標識別任務中，特征提取后的數據通常具有較高的維度。在提取到高維特征后，若利用其直接進行目標分類識別，可能難以充分捕捉到每類目標的細粒度特性，從而導致目標分類識別的精度不高、目標分類的準確度下降。
2、因此，在毫米波安檢門回波目標識別任務中，如何為每類目標設計專屬的特征表示和評分機制，細化目標區分，以提升目標分類識別的精度，是毫米波安檢門回波目標識別領域目前亟需解決的技術問題。
技術實現思路
1、鑒于上述的分析，本發明實施例旨在提供一種毫米波安檢門目標識別模型訓練方法，用以解決現有技術中毫米波安檢門回波數據的高維特征難以捕捉目標的細粒度特征導致的目標分類識別精度不高的問題。
2、本發明公開了一種毫米波安檢門目標識別模型訓練方法，所述方法包括：
3、毫米波安檢門目標識別模型每接收一組批量原始毫米波安檢門回波數據，對所述批量原始毫米波安檢門回波數據進行特征提取及維度轉換，得到每個目標類別的特征圖；
4、由毫米波安檢門目標識別模型分別對每個目標類別的特征圖進行向量聚合，得到每個目標類別的總得分；并將所有目標類別的總得分輸入softmax函數，計算得到每一目標類別的預測概率；
5、根據softmax函數輸出的各目標類別的預測概率及真實目標類別標簽計算損失函數，并利用反向傳播算法計算損失函數關于模型參數的梯度，更新毫米波安檢門目標識別模型的參數；
6、判斷是否達到毫米波安檢門目標識別模型的訓練結束條件，若達到，停止訓練，得到訓練通過的毫米波安檢門目標識別模型。
7、在上述方案的基礎上，本發明還做出了如下改進：
8、進一步，所述批量原始毫米波安檢門回波數據其中，b表示批量大小，cin表示輸入通道數量；d、r表示原始毫米波安檢門回波數據的尺寸，r表示原始毫米波安檢門回波數據在距離維度的大小，d表示原始毫米波安檢門回波數據在多普勒維度的大小。
9、進一步，對所述批量原始毫米波安檢門回波數據進行特征提取，執行：
10、通過骨干特征提取網絡對所述批量原始毫米波安檢門回波數據進行特征提取，得到所述批量原始毫米波安檢門回波數據的高層特征圖；
11、所述高層特征圖其中，c表示高層特征圖的特征通道數量，h表示高層特征圖的高度，w表示高層特征圖的寬度。
12、進一步，對所述批量原始毫米波安檢門回波數據進行維度轉換，執行：
13、對所述批量原始毫米波安檢門回波數據的高層特征圖進行空間維度的特征展開，得到對應的二維特征圖；
14、對二維特征圖進行特征維度的非線性變換，并在非線性變換過程中增加相應的目標類別維度；
15、將增加相應的目標類別維度的特征圖重整形為目標類別分支，得到每個目標類別的特征圖。
16、進一步，按照公式(1)對所述批量原始毫米波安檢門回波數據的高層特征圖進行空間維度hw的特征展開，得到對應的二維特征圖：
17、fflat＝reshape(fbackbone,(b,c,hw))?(1)
18、其中，hw＝h×w；reshape表示維度變換。
19、進一步，按照公式(2)對二維特征圖進行特征維度的非線性變換，并增加相應的目標類別維度s：
20、
21、其中，linear表示非線性變換。
22、進一步，按照公式(3)將增加相應的目標類別維度的特征圖重整形為目標類別分支，得到每個目標類別的特征圖：
23、fclass＝reshape(flinear,(b,s,c,hw))?(3)
24、此時，每個目標類別s∈[1,s]的特征圖表示為
25、進一步，分別對每個目標類別的特征圖進行向量聚合，得到每個目標類別的總得分，執行：
26、分別對每個目標類別的特征圖進行空間維度hw的降維，得到每個目標類別的得分向量；
27、分別對每一目標類別在所有特征通道上的得分向量進行求和，得到相應目標類別的總得分。
28、進一步，目標類別s的預測概率ps表示為：
29、
30、其中，exp運算通常指的是以自然對數的底數e為底的指數運算；scores為目標類別s的總得分。
31、進一步，目標類別s的總得分scores表示為：
32、
33、其中，vs,j表示目標類別s的得分向量vs在特征通道維度上的第j個特征通道的得分向量。
34、與現有技術相比，本發明至少可實現如下有益效果之一：
35、本發明提供的毫米波安檢門目標識別模型訓練方法，通過對對批量原始毫米波安檢門回波數據進行特征提取及維度轉換，得到每個目標類別的特征圖；之后對每個目標類別的特征圖進行向量聚合，得到每個目標類別的總得分；并將所有目標類別的總得分輸入softmax函數，計算得到每一目標類別的預測概率，用以實現毫米波安檢門目標識別模型參數更新。該過程能夠充分提取高維特征的特性，提升目標識別分類精度，很好地解決了現有技術中毫米波安檢門回波數據的高維特征難以捕捉目標的細粒度特征導致的目標分類識別精度不高的問題。
36、本發明中，上述各技術方案之間還可以相互組合，以實現更多的優選組合方案。本發明的其他特征和優點將在隨后的說明書中闡述，并且，部分優點可從說明書中變得顯而易見，或者通過實施本發明而了解。本發明的目的和其他優點可通過說明書以及附圖中所特別指出的內容中來實現和獲得。
1.一種毫米波安檢門目標識別模型訓練方法，其特征在于，所述方法包括：
2.根據權利要求1所述的毫米波安檢門目標識別模型訓練方法，其特征在于，所述批量原始毫米波安檢門回波數據其中，b表示批量大小，cin表示輸入通道數量；d、r表示原始毫米波安檢門回波數據的尺寸，r表示原始毫米波安檢門回波數據在距離維度的大小，d表示原始毫米波安檢門回波數據在多普勒維度的大小。
3.根據權利要求2所述的毫米波安檢門目標識別模型訓練方法，其特征在于，對所述批量原始毫米波安檢門回波數據進行特征提取，執行：
4.根據權利要求3所述的毫米波安檢門目標識別模型訓練方法，其特征在于，
5.根據權利要求4所述的毫米波安檢門目標識別模型訓練方法，其特征在于，
6.根據權利要求5所述的毫米波安檢門目標識別模型訓練方法，其特征在于，
7.根據權利要求6所述的毫米波安檢門目標識別模型訓練方法，其特征在于，按照公式(3)將增加相應的目標類別維度的特征圖重整形為目標類別分支，得到每個目標類別的特征圖：
8.根據權利要求7所述的毫米波安檢門目標識別模型訓練方法，其特征在于，分別對每個目標類別的特征圖進行向量聚合，得到每個目標類別的總得分，執行：
9.根據權利要求8所述的毫米波安檢門目標識別模型訓練方法，其特征在于，目標類別s的預測概率ps表示為：
10.根據權利要求9所述的毫米波安檢門目標識別模型訓練方法，其特征在于，目標類別s的總得分scores表示為：