基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的SAR星上目標(biāo)識別系統(tǒng)研究

袁秋壯，魏松杰，羅 娜

(南京理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,江蘇 南京 210094)

基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的SAR星上目標(biāo)識別系統(tǒng)研究

袁秋壯，魏松杰，羅 娜

(南京理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,江蘇 南京 210094)

實(shí)現(xiàn)對地面目標(biāo)的智能識別，對一種基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)的星載合成孔徑雷達(dá)(SAR)星上目標(biāo)識別系統(tǒng)進(jìn)行了研究。系統(tǒng)由星上和地面兩部分組成。其中：地面部分進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、SAR圖像數(shù)據(jù)預(yù)處理、CNN模型訓(xùn)練、模型壓縮及上傳；星上部分接收上傳模型并解壓縮、目標(biāo)識別、識別后粗篩圖像下傳地面；地面進(jìn)行人工篩查，篩查后的正確圖像作為訓(xùn)練數(shù)據(jù)對CNN模型進(jìn)行再訓(xùn)練，逐步獲得精度更高的模型。提出的CNN架構(gòu)為卷積層2個、下采樣層2個、Dropout層3個、Flatten層1個、全連接層2個，最終輸出標(biāo)簽11類。為使訓(xùn)練后的CNN模型能部署到衛(wèi)星上使用，采用數(shù)據(jù)精度壓縮和剪枝兩種數(shù)據(jù)深度壓縮方法以減小數(shù)據(jù)存儲量和減低網(wǎng)絡(luò)復(fù)雜度。在Keras深度學(xué)習(xí)開源庫環(huán)境中實(shí)現(xiàn)設(shè)計(jì)的CNN模型，對運(yùn)動和靜止目標(biāo)獲取與識別(MSTAR)數(shù)據(jù)庫中的11類軍事目標(biāo)識別的實(shí)驗(yàn)結(jié)果表明：識別和分類的效果良好，整體識別成功率達(dá)96.29%；模型能壓縮至原來的1/13，精度損失小于2%。

SAR圖像； 智能目標(biāo)識別； 深度學(xué)習(xí)； 卷積神經(jīng)網(wǎng)絡(luò)； 深度壓縮； 數(shù)據(jù)精度壓縮； 剪枝； 模型效率

0 引言

星載合成孔徑雷達(dá)(SAR)是一種工作在微波波段的成像雷達(dá)，具高分辨率和大面積的數(shù)據(jù)獲取能力，可全天候全天時工作，也有一定的植被和遮蓋物的穿透能力[1]。因此，星載SAR在民用和軍事領(lǐng)域獲得了廣泛應(yīng)用。與光學(xué)成像后可直接獲取目標(biāo)不同，SAR圖像需經(jīng)復(fù)雜的數(shù)據(jù)處理才能識別圖像中感興趣的目標(biāo)，其中特征提取、圖像分析專家審查等多個環(huán)節(jié)需要人工參與，這直接影響了SAR圖像應(yīng)用的時效性，特別是在軍事SAR遙感應(yīng)用領(lǐng)域。盡管SAR圖像處理的時效性在穩(wěn)步提升，但與軍事應(yīng)用需求相比還有較大差距。2006年，HINTON提出了基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的人工智能算法，為自動提取圖像特征和識別圖像中目標(biāo)提供了有效的技術(shù)途徑[2]。

深度學(xué)習(xí)是近年來機(jī)器學(xué)習(xí)領(lǐng)域中的一個新研究熱點(diǎn)，為語音識別、視覺對象識別、對象檢測等領(lǐng)域帶來了顯著突破。其本質(zhì)是一種特征學(xué)習(xí)方法，將原始數(shù)據(jù)通過一些簡單的非線性模型轉(zhuǎn)變成更高層次、更抽象的表達(dá)[3]。2006年，HINTON等提出了深度置信網(wǎng)絡(luò)，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不同，該網(wǎng)絡(luò)應(yīng)用無監(jiān)督學(xué)習(xí)方法初始化權(quán)值，從而引出了深度學(xué)習(xí)的概念[4]。此外，還出現(xiàn)了其他深度學(xué)習(xí)模型，如深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)、深度并發(fā)神經(jīng)網(wǎng)絡(luò)(RNN)等[5-6]。由于使用原始圖像作為網(wǎng)絡(luò)的輸入，CNN在圖像分類或模式識別等領(lǐng)域取得了大量成果。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)被認(rèn)為是目前計(jì)算機(jī)圖像處理領(lǐng)域中最先進(jìn)的技術(shù)之一，雖然其功能強(qiáng)大，但網(wǎng)絡(luò)中大規(guī)模的權(quán)值參數(shù)消耗了大量的計(jì)算和內(nèi)存資源，如AlexNet模型超過200 MB，VGG-16模型超過了500 MB，這使將訓(xùn)練好的模型部署到嵌入式系統(tǒng)中變得十分困難。解決這一問題的有效途徑是壓縮網(wǎng)絡(luò)模型，為此提出了深度壓縮的概念。目前，常用的深度壓縮方法有網(wǎng)絡(luò)剪枝、權(quán)值量化和哈希網(wǎng)絡(luò)(HashedNets)等[7-9]。2016年，文獻(xiàn)[10]綜合了上述三種方法對一些經(jīng)典神經(jīng)網(wǎng)絡(luò)模型進(jìn)行壓縮和測試，并獲得了較好的效果。

本文主要研究將CNN應(yīng)用于SAR圖像目標(biāo)識別領(lǐng)域，設(shè)計(jì)了一個基于CNN的SAR圖像目標(biāo)識別系統(tǒng)，以實(shí)現(xiàn)對地面目標(biāo)的智能識別。該系統(tǒng)可在星上運(yùn)行，并將識別的特定目標(biāo)圖像傳輸?shù)降孛?，從而減少衛(wèi)星至地面的傳輸量。為使模型能在星上運(yùn)行，采用深度壓縮方法對模型進(jìn)行壓縮。最后用實(shí)驗(yàn)對設(shè)計(jì)的CNN網(wǎng)絡(luò)模型的識別和分類效果進(jìn)行驗(yàn)證。

1 系統(tǒng)設(shè)計(jì)

卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算量相對較少，可自動提取圖像的多層次信息，便于對圖像進(jìn)行分類，因此本文將之用于星載圖像處理，處理流程如圖1所示。本系統(tǒng)由星上和星下(地面)兩部分組成。星下進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、對SAR圖像數(shù)據(jù)的預(yù)處理、訓(xùn)練CNN模型、壓縮模型并將其上傳到星上；星上接收地面上傳的模型并對其解壓縮，進(jìn)行目標(biāo)識別，將識別后的粗篩圖像傳至地面，地面進(jìn)行人工篩查并將篩查后的正確圖像作為訓(xùn)練數(shù)據(jù)對CNN模型進(jìn)行再訓(xùn)練，逐步得到精確度更高的模型。

2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的SAR模型

2.1卷積神經(jīng)網(wǎng)絡(luò)

CNN是一種特征的前饋神經(jīng)網(wǎng)絡(luò)，通過局部感受域、權(quán)值共享與池化三種核心技術(shù)實(shí)現(xiàn)高效的特征提取與學(xué)習(xí)，現(xiàn)廣泛用于手寫字符識別、人臉識別等圖像分類或模式識別領(lǐng)域[11-12]。CNN的基本網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、卷積層、全連接層和輸出層四部分疊加組成，如圖2所示。

a)輸入層：若處理的是圖像，則輸入數(shù)據(jù)為圖像的像素值。

b)卷積層(圖2中C塊)：一般有多層，用于特征提取。每層可采用多個不同的卷積核，每個卷積核提取一個特征平面，多個不同的卷積核則可提取多個不同的特征平面。

c)下采樣層(圖2中S塊)，也稱池化層，緊接著卷積層，主要是利用圖像局部相關(guān)性，對卷積層提取的特征平面進(jìn)行信息降維，減少數(shù)據(jù)處理量，提升網(wǎng)絡(luò)學(xué)習(xí)的速度[13]。下采樣不僅能使特征平面降維，而且一定程度上可防止網(wǎng)絡(luò)出現(xiàn)過擬合學(xué)習(xí)，提高網(wǎng)絡(luò)的泛性。一般包括最大值、平均與隨機(jī)三種池化操作過程。

d)全連接層：相當(dāng)于多層感知機(jī)的隱含層部分，即采用全連接方式前向傳播，加權(quán)組合得到輸出。

e)輸出層：若CNN網(wǎng)絡(luò)的目的是分類任務(wù)，則輸出層通常是一個分類器，如支持向量機(jī)(SVM)、Softmax多分類器。

2.2基于深度卷積神經(jīng)網(wǎng)絡(luò)的SAR模型設(shè)計(jì)

本文設(shè)計(jì)的深度CNN架構(gòu)如圖3所示。其中：輸入為灰度圖像，網(wǎng)絡(luò)結(jié)構(gòu)包含卷積層2個、下采樣層2個、Dropout層3個、Flatten層1個、全連接層2個，最終輸出標(biāo)簽11類，實(shí)現(xiàn)SAR圖像中目標(biāo)分類與識別。

a)數(shù)據(jù)輸入層(Input)

輸入層直接輸入圖像的像素值，圖像尺寸為1×128×128。

b)Conv1卷積層

采用32個不同的卷積核，每個卷積核大小為3×3，即Conv1卷積層從輸入數(shù)據(jù)中進(jìn)行特征的選擇與學(xué)習(xí)，最終輸出32個特征平面。因每個卷積核需要訓(xùn)練3×3=9個參數(shù)和1個偏置參數(shù)，故32個卷積核則一共需要學(xué)習(xí)的參數(shù)為(3×3+1)×32=320個。實(shí)驗(yàn)輸入圖像大小為128×128，卷積核卷積操作滑動步長為2像素，卷積后特征平面的映射大小為((128-3+2)/2)×((128-3+2)/2)=63×63。

c)S1下采樣層

對Conv1提取的32個63×63的特征平面進(jìn)行無重疊的最大值下采樣處理，采樣區(qū)域?yàn)?×2，因此S1層的輸出為32個降維后的((63/2)+1)×((63/2)+1)=32×32個特征平面，將數(shù)據(jù)量減少為原來的約四分之一。

d)Dropout層

深度網(wǎng)絡(luò)常會由于網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，而訓(xùn)練樣本數(shù)量不足，出現(xiàn)過度學(xué)習(xí)擬合現(xiàn)象。對此，研究者提出了一種新思路：Dropout。Dropout是指在網(wǎng)絡(luò)模型在每次訓(xùn)練時隨機(jī)以概率p輸出為0(該層中的p=0.2)，使網(wǎng)絡(luò)某些隱含層節(jié)點(diǎn)的權(quán)重不參與訓(xùn)練，權(quán)重保留之前訓(xùn)練的結(jié)果，暫不更新，其物理意義相當(dāng)于某些節(jié)點(diǎn)的網(wǎng)絡(luò)連接線斷開。反向傳播學(xué)習(xí)時也同樣忽略這些斷開的節(jié)點(diǎn)。

e)Conv2卷積層、S2下采樣層與Dropout層

原理同b)、c)、d)，進(jìn)一步抽象與泛化提取圖像數(shù)據(jù)的特征。

f)Flatten全連接層

Flatten層用于將輸入“壓平”，即將多維的輸入一維化，常用于從卷積層到全連接層的過渡。

g)Dense 全連接層

該全連接層共有神經(jīng)節(jié)點(diǎn)512個，每個神經(jīng)節(jié)點(diǎn)都與上一層的所有神經(jīng)節(jié)點(diǎn)連接。每個神經(jīng)元的輸出可表示為

(1)

式中：xi為全連接層輸入的神經(jīng)元的值；wi,j為權(quán)值；bj為偏置。激活函數(shù)仍采用ReLU函數(shù)。全連接層的神經(jīng)元個數(shù)直接影響網(wǎng)絡(luò)的擬合效果和訓(xùn)練速度。

h) Dropout層

為進(jìn)一步防止過擬合，添加一層Dropout，p=0.5。

i)Dense輸出層

采用Softmax多分類器，輸出為0～1間的數(shù)值，代表樣本屬于某類標(biāo)簽的概率。本文研究中共有地物目標(biāo)11類，因此輸出層設(shè)神經(jīng)元11個。Softmax的表達(dá)式為

(2)

式中：yi為第i個神經(jīng)元輸出的結(jié)果；n為神經(jīng)元個數(shù)。

3 模型壓縮

用上述卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得的模型大小可達(dá)數(shù)百上千兆字節(jié)，若將其傳輸至星上將耗費(fèi)相當(dāng)?shù)臅r間，且模型在星上運(yùn)行還會占用相當(dāng)大的計(jì)算和內(nèi)存資源，因此需對原始模型進(jìn)行壓縮，以便于傳輸和部署到星上。本文用于深度壓縮的方法有數(shù)據(jù)精度壓縮和剪枝兩種。

3.1數(shù)據(jù)精度壓縮

本文訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型保存的權(quán)重?cái)?shù)據(jù)類型是32位浮點(diǎn)型，每個數(shù)據(jù)占用4 B。如能減小單個數(shù)據(jù)的存儲量，整個模型的大小就會因此減小。為此，本文對權(quán)重?cái)?shù)據(jù)的精度進(jìn)行壓縮，壓縮的基本原理如圖4所示。

假設(shè)網(wǎng)絡(luò)中的權(quán)重?cái)?shù)據(jù)精度為1×10-8，即保留到小數(shù)點(diǎn)后8位，若將精度壓縮為1×10-4，只存儲到小數(shù)點(diǎn)后4位的數(shù)據(jù)，則數(shù)據(jù)占用的字節(jié)數(shù)會減少到原來的一半。但如直接壓縮數(shù)據(jù)而不考慮被壓縮的部分，會影響數(shù)據(jù)精度，從而影響模型的準(zhǔn)確度。因此，本文采用對數(shù)據(jù)進(jìn)行選擇性壓縮的方法，具體如下。

對一個浮點(diǎn)數(shù)0.d1d2…dn來說，可將其表示為d1d2…dn×10-n，即精度為1×10-n。若將精度壓縮為1×10-m，只存儲到小數(shù)點(diǎn)后m位，即表示為d1d2…dm×10-m，則其精度損失為

(d1d2…dm.dm+1…dn×10-m-d1d2…dm×10-m)/10-m=0.dm+1…dn

轉(zhuǎn)換成百分比為

L=0.dm+1…dn×100%

(3)

式中：L為精度損失的百分比。本文選擇壓縮L值在某些閾值范圍內(nèi)的數(shù)據(jù)，當(dāng)L≤30%時，認(rèn)為被壓縮的部分精度損失較小，可忽略；當(dāng)L≥70%時，認(rèn)為精度損失較大，需在d1d2…dm的基礎(chǔ)上加1；當(dāng)L為30%～70%時的數(shù)據(jù)被認(rèn)為對壓縮的影響較大，不作壓縮處理。因此，理論上可有60%的數(shù)據(jù)被壓縮。

3.2剪枝

神經(jīng)網(wǎng)絡(luò)通常是過參數(shù)化的，訓(xùn)練得到的網(wǎng)絡(luò)模型保存了所有連接的參數(shù)，這導(dǎo)致模型有巨大的冗余。為降低網(wǎng)絡(luò)的復(fù)雜度和過擬合，本文對網(wǎng)絡(luò)進(jìn)行剪枝，所用方法是對小權(quán)值的連接進(jìn)行剪枝，即移除權(quán)值低于既定閾值的所有連接。

剪枝的基本原理如圖5所示。考慮一個全連接層神經(jīng)網(wǎng)絡(luò)，對第N-1層和第N層來說，第N-1層的每個神經(jīng)元都與第N層的所有神經(jīng)元連接，每個連接可視作是一個帶權(quán)值的“枝”。這些“枝”的權(quán)值大小代表連接的重要性，權(quán)值越大連接越重要，反之，權(quán)值越小連接越不重要。剪枝的作用就是將不重要(權(quán)值較小)的連接從網(wǎng)絡(luò)中移除，可將較密集的網(wǎng)絡(luò)變成稀疏網(wǎng)絡(luò)，顯著降低網(wǎng)絡(luò)的復(fù)雜度。

剪枝后的參數(shù)矩陣變成了一個稀疏矩陣，本文用壓縮稀疏行(CSR)格式存儲相應(yīng)權(quán)值。CSR是常用的存儲矩陣的格式，該格式壓縮存儲行信息，僅顯式保留每行第一個非零元素的位置。

考慮一個稀疏矩陣A，其非零元素個數(shù)為nnz，行數(shù)為n。定義3個數(shù)組：1個浮點(diǎn)型數(shù)組val；2個整型數(shù)組col_ind，row_ptr。其中：val存儲A中非零元素，大小為nnz；col_ind存儲val數(shù)組中元素的列索引，大小為nnz；row_ptr保存A每行第一個非零元素在val中的的索引，一般定義row_ptr(n+1)=nnz+1。這種方法只需存儲數(shù)據(jù)2nnz+n+1個，可大幅節(jié)省存儲空間。

3.3模型效率評估

本文用壓縮后模型的效率評估壓縮效果。有

(4)

式中：E為壓縮后模型的效率；rCP為壓縮前后識別率的比值；rCR為壓縮前后模型大小的比值?？芍篍越大，壓縮模型的效率越高。

4 仿真實(shí)驗(yàn)與分析

4.1試驗(yàn)環(huán)境SAR數(shù)據(jù)集選擇

為驗(yàn)證本文提出的基于深度卷積神經(jīng)網(wǎng)絡(luò)模型針對星載SAR遙感圖像中目標(biāo)自動識別的可行性和準(zhǔn)確性，在深度學(xué)習(xí)開源庫Keras環(huán)境中實(shí)現(xiàn)深度卷積神經(jīng)網(wǎng)絡(luò)模型。實(shí)驗(yàn)的工作站采用64位的Ubuntu15操作系統(tǒng)，處理器為Intel? Xeon(R)CPU，型號為E5-2609 v3@1.90 GHz×12，內(nèi)存為31.3 GB，獨(dú)立顯卡型號為Quadro K2200/PCIe/SSE2。

4.2SAR數(shù)據(jù)集

4.2.1 數(shù)據(jù)集介紹

實(shí)驗(yàn)數(shù)據(jù)集采用美國國防研究規(guī)劃局(DARPA)和空軍研究實(shí)驗(yàn)室(AFRL)聯(lián)合資助的運(yùn)動和靜止目標(biāo)獲取與識別(MSTAR)遙感SAR數(shù)據(jù)庫。MSTAR數(shù)據(jù)庫里包括BRDM2，BMP2，BTR60，BTR70，D7，ZIL131，ZSU234，T62，T72，2S1，SLICY共11類地物目標(biāo)，如圖6所示。同一大類中不同型號的實(shí)際差異為目標(biāo)的軍事配置不同，如同類坦克有無機(jī)關(guān)槍、油箱，以及天線是否展開等，稱為變形目標(biāo)。數(shù)據(jù)庫在設(shè)計(jì)時考慮SAR 圖像對方位因素十分敏感，故而對每類目標(biāo)采集大量不同方位的圖像，方位范圍為0°～360°。

4.2.2 圖像數(shù)據(jù)預(yù)處理

由于MSTAR數(shù)據(jù)集的SAR圖像訓(xùn)練樣本圖像分辨率與大小各異且數(shù)量不足，無法直接用于深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，易導(dǎo)致過擬合，因此本文用以下方法進(jìn)行數(shù)據(jù)預(yù)處理和訓(xùn)練樣本庫擴(kuò)充。

a)規(guī)范化數(shù)據(jù)集

為保證所有圖像大小與分辨率的一致，從原生的Sun floating point format格式提取分辨率為95%的JPEG格式圖像，并統(tǒng)一規(guī)范圖像尺寸為128×128。

b)實(shí)時數(shù)據(jù)提升

在網(wǎng)絡(luò)模型訓(xùn)練學(xué)習(xí)時，進(jìn)行實(shí)時數(shù)據(jù)提升，包括圖片隨機(jī)轉(zhuǎn)動的角度、圖片水平偏移的幅度、圖片豎直偏移的幅度、逆時針方向的剪切變換角度、隨機(jī)縮放的幅度等變化。

c)加噪聲

添加人工噪聲，防止網(wǎng)絡(luò)的過度擬合，增加模型的魯棒性。

4.3實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)采用的MSTAR訓(xùn)練集和測試集見表1。在11類目標(biāo)的識別實(shí)驗(yàn)中，目標(biāo)包括BRDM2，BMP2，BTR60，BTR70，D7，ZIL131，ZSU234，T62，T72，2S1，SLICY共11類目標(biāo)。訓(xùn)練樣本為17°俯仰角下不包括變體(即不包括BMP2_SNC21，BMP2_SN9566，T72_SN812，T72_SNS7等型號)的SAR圖像數(shù)據(jù)，測試樣本為15°俯仰角下包含上述變體的各目標(biāo)SAR圖像數(shù)據(jù)。

表1 MSTAR標(biāo)準(zhǔn)數(shù)據(jù)集中訓(xùn)練集與測試集樣本分布

4.4深度CNN識別SAR圖像目標(biāo)實(shí)驗(yàn)結(jié)果

本文的深度卷積網(wǎng)絡(luò)模型的測試分類結(jié)果見表2。由表2可知：SAR圖像目標(biāo)分類結(jié)果較好，平均識別率達(dá)到96.29%，其中T72(132)，2S1，BTR60，D7，SLICY，ZSU的識別率均大于99%。此外，對相同類型不同變體的SAR目標(biāo)(BMP2，T72)識別效果也較好。文獻(xiàn)[14]基于卷積神經(jīng)網(wǎng)絡(luò)建模，采用同樣的MSTAR訓(xùn)練集和測試集進(jìn)行實(shí)驗(yàn)測試，平均識別率為93.76%。由此可見，本文的深度卷積神經(jīng)網(wǎng)絡(luò)一定程度優(yōu)于文獻(xiàn)[14]的方法，SAR目標(biāo)識別率更高。

4.5深度CNN識別SAR圖像目標(biāo)系統(tǒng)泛化能力

驗(yàn)證本文模型的泛化能力，即指經(jīng)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對未在訓(xùn)練集中出現(xiàn)的(但來自同一分布的)樣本做出正確反應(yīng)的能力。針對MSTAR中T72坦克大類目錄下9類不同目標(biāo)配置或型號的其他坦克進(jìn)行測試，識別結(jié)果見表3。由表3可知：整體上T72變形目標(biāo)的識別正確率可達(dá)84.31%，其中個別類的變形目標(biāo)識別能力較差，如A04，A10；對812，S7，A62三類坦克的識別率均大于90%，分類結(jié)果較好。

表2 MSTAR11SAR目標(biāo)識別結(jié)果

表3 對T72坦克中不同目標(biāo)配置與型號的識別結(jié)果

4.6壓縮后CNN模型的壓縮率和識別能力分析

本文對實(shí)驗(yàn)用的CNN模型進(jìn)行了壓縮，并測試了壓縮后模型的識別能力。模型壓縮前后的識別正確率、壓縮率及效率見表4。本文測試了用不同壓縮算法壓縮后的模型，并得到了效率最高一個，由表4可知：本文提出的數(shù)據(jù)精度壓縮+剪枝的方法將模型從40.6 MB壓縮到3.1 MB(原來的1/13)，而精度僅損失1.16%，證實(shí)了壓縮方法的有效性。

表4 模型壓縮前后的統(tǒng)計(jì)數(shù)據(jù)

5 結(jié)束語

針對衛(wèi)星SAR圖像目標(biāo)識別的時效性難以滿足快速軍事應(yīng)用的問題，本文提出利用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行快速智能識別SAR圖像中的軍事目標(biāo)。仿真實(shí)驗(yàn)表明提出的新方法無需人工干預(yù)，能快速實(shí)現(xiàn)智能識別星載SAR圖像目標(biāo)。此外，本文還使用了深度壓縮算法對訓(xùn)練好的CNN模型進(jìn)行了壓縮，便于將其移植于計(jì)算資源有限的星上環(huán)境使用，最終實(shí)現(xiàn)星上成像數(shù)據(jù)的實(shí)時識別與應(yīng)用的目的，為軍事和民用提供有效技術(shù)支撐。壓縮實(shí)驗(yàn)結(jié)果表明：壓縮后的模型對目標(biāo)的識別率并未出現(xiàn)明顯的降低，設(shè)計(jì)的CNN網(wǎng)絡(luò)模型具良好的識別和分類效果，壓縮模型的識別準(zhǔn)確度損失較小。

[1] TOMIYASU K. Tutorial review of synthetic-aperture radar (SAR) with applications to imaging of the ocean surface[J]. Proc IEEE, 1978, 66(5): 563-583.

[2] HINTON G E. To recognize shapes, first learn to generate images[R]. University of Toronto: UTML TR 2006-003, 2006.

[3] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.

[4] HINTON G E, OSINDERO S, TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

[5] LECUN Y. Generalization and network design strategies[D].Toronto: University of Toronto, 1989.

[6] BODEN M. A guide to recurrent neural networks and backpropagation[J]. Dallas Project Sics Technical Report T Sics, 2001, 1-9.

[7] HAN S, POOL J, TRAN J, et al. Learning both weights and connections for efficient neural networks[J]. Computer Science, 2015, 1136-1143.

[8] GONG Y C, LIU L, YANG M, et al. Compressing deep convolutional networks using vector quantization[J]. Computer Science, 2014, 1-9.

[9] CHEN W, WILSON J T, TYREE S, et al. Compressing neural networks with the hashing trick[J]. Computer Science, 2015， 2285-2294.

[10] HAN S, MAO H, DALLY W J. Deep compression: compressing deep neural networks with pruning, trained quantization and Huffman coding: ICLR[C]∥ San Juan: 2016 International Conference on Learning Representation, 2016.

[11] CIRESAN D C, MEIER U, GAMBARDELLA L M, et al. Convolutional Neural network committees for handwritten character classification[C]∥ International Conference on Document Analysis and Recognition. [S. l.]: IEEE Computer Society, 2011: 1135-1139.

[12] ROYCHOWDHURY A, LIN T Y, MAJI S, et al. One-to-many face recognition with bilinear CNNs[J]. Computer Science, 2016: 1-9.

[13] 尹寶才, 王文通, 王立春. 深度學(xué)習(xí)研究綜述[J]. 北京工業(yè)大學(xué)學(xué)報, 2015, 41(1): 48-59.

[14] 田壯壯, 占榮輝, 胡杰民, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識別研究[J]. 雷達(dá)學(xué)報, 2016, 5(3): 320-325.

ResearchonSARSatelliteTargetRecognitionSystemBasedonDeepLearningNeuralNetwork

YUAN Qiu-zhuang， WEI Song-jie， LUO Na

(School of Computer Science and Technology, Nanjing University of Science and Technology, Nanjing 210094, Jiangsu, China)

To realize the intelligent recognition of ground target, a synthetic aperture radar (SAR) satellite target recognition system based on deep learning (DL) convolutional neural network (CNN) was studied in this paper. The system composed of two parts of onborne segment and ground segment. The network structure design, SAR image pretreatment, CNN model training, and the model compression and uploading were carried on in the ground segment. The compressed model receiving and decompressing, target recognition, recognized coarse screening image downloading were carried on in the onborne segment. Then the images downloaded were screened by manual labour in the ground segment. The screened images were served as the training data for CNN model again. It would obtain higher precision images step by step. There were 2 convolutional layers, 2 lower sampling layers, 3 Dropout layers, 1 Flatten layer, 2 connection layers and 11 output label in the CNN structure. To use the trained CNN model onborne, two deep compression method were adopted to decrease the data memory and network complex, which were data precision compression and pruning. The CNN model proposed was realized in Keras deep learning open source library. The experimental results in recognizing 11 classes of military targets in the database of Moving and Stationary Target Acquisition and Recognition (MSTAR) showed that the effect of recognition and classification was well. The overall recognition success rate was 96.29%. The model could be compressed to 1/13 of the original one while the accuracy loss rate was less than 2%.

spaceborne synthetic aperture radar (SAR) image; intelligent target recognition (ITR); deep learning (DL); convolutional neural network (CNN); deep compression; data precision compression; pruning; model efficiency

1006-1630(2017)05-0046-08

2016-12-08；

2017-02-23

國家自然科學(xué)基金資助(61472189)；上海航天科技創(chuàng)新基金資助(F2016020013)

袁秋壯(1994—)，男，碩士生，主要研究方向?yàn)閳D像處理。

TN957.52

A

10.19328/j.cnki.1006-1630.2017.05.007