基于遷移學(xué)習(xí)的SAR圖像目標(biāo)檢測(cè)

，

( 1.航天工程大學(xué)研究生院， 北京 101416； 2.航天工程大學(xué)光電裝備系， 北京 101416)

0 引言

近年來(lái)，合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)在軍事和民用領(lǐng)域的應(yīng)用越來(lái)越廣泛，需要處理的SAR的數(shù)據(jù)量也越來(lái)越多，這使得對(duì)SAR圖像處理與解譯技術(shù)的需求更加迫切。SAR圖像解譯的一個(gè)主要應(yīng)用是圍繞如何從含有背景雜波的圖像中檢測(cè)地面機(jī)動(dòng)目標(biāo)[1-2]，如坦克、車輛、飛機(jī)等。

當(dāng)前深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network，DCNN)在圖像處理領(lǐng)域取得了較好的結(jié)果，借鑒光學(xué)圖像的成功應(yīng)用，深度卷積網(wǎng)絡(luò)在SAR目標(biāo)分類開展了一些研究并取得了不錯(cuò)的成果[3-4]，但在SAR目標(biāo)檢測(cè)中才處于起步階段，尤其是當(dāng)訓(xùn)練樣本數(shù)量有限情況下對(duì)復(fù)雜場(chǎng)景多目標(biāo)檢測(cè)還存在一定的難度。首先，DCNN往往需要大數(shù)據(jù)來(lái)驅(qū)動(dòng)，利用大量已標(biāo)注的圖像樣本進(jìn)行有監(jiān)督的訓(xùn)練，目前雖然存在如Imagenet[5]，Pascal VOC[6]等大型通用圖像數(shù)據(jù)集，但對(duì)于一些特定領(lǐng)域的圖像數(shù)據(jù)集，樣本數(shù)量仍然不足以驅(qū)動(dòng)DCNN的訓(xùn)練與學(xué)習(xí)；其次，由于DCNN需要訓(xùn)練的參數(shù)數(shù)量十分龐大，即便使用GPU加速也會(huì)花費(fèi)較長(zhǎng)的訓(xùn)練時(shí)間，同時(shí)網(wǎng)絡(luò)的訓(xùn)練技巧與方法需要依靠經(jīng)驗(yàn)和大量的調(diào)試。針對(duì)上述兩個(gè)問(wèn)題，學(xué)者提出了遷移學(xué)習(xí)的方法[5-8]，通過(guò)把在大型通用數(shù)據(jù)集上預(yù)訓(xùn)練得到的網(wǎng)絡(luò)和參數(shù)遷移并應(yīng)用到新的領(lǐng)域，有效解決了DCNN在小樣本條件下的訓(xùn)練樣本不足問(wèn)題，同時(shí)大幅度減少網(wǎng)絡(luò)的訓(xùn)練開銷，使得DCNN的應(yīng)用領(lǐng)域更加廣泛。Zeiler等[7]利用ImageNet預(yù)訓(xùn)練后的網(wǎng)絡(luò)在Caltech-101進(jìn)行遷移訓(xùn)練和測(cè)試，使得圖像分類精度提高了40%。Kang等[8]利用CIFAR-10預(yù)訓(xùn)練的網(wǎng)絡(luò)提高了該網(wǎng)絡(luò)在TerraSAR數(shù)據(jù)集上的分類精度。除了遷移學(xué)習(xí)的直接應(yīng)用，Yosinski等[9]還對(duì)卷積神經(jīng)網(wǎng)絡(luò)不同層次特征的遷移學(xué)習(xí)效果進(jìn)行了探索。Zhou等[10]提出不同領(lǐng)域的相關(guān)性對(duì)卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)具有一定的影響。

上述遷移學(xué)習(xí)方法在各自領(lǐng)域獲得了成功應(yīng)用，但對(duì)于不同的源域和目標(biāo)域之間，遷移的方式和技巧會(huì)有所差異，尤其是圖像特點(diǎn)之間的差異較大時(shí)。借鑒上述遷移學(xué)習(xí)的經(jīng)驗(yàn)，本文針對(duì)SAR目標(biāo)檢測(cè)網(wǎng)絡(luò)訓(xùn)練樣本不足的問(wèn)題，利用遷移學(xué)習(xí)方法將Pascal VOC數(shù)據(jù)集上預(yù)訓(xùn)練的網(wǎng)絡(luò)和權(quán)重參數(shù)輔助檢測(cè)網(wǎng)絡(luò)的訓(xùn)練?？紤]到領(lǐng)域的相關(guān)性，本文逐層對(duì)每個(gè)卷積塊的權(quán)重進(jìn)行遷移與分析，并通過(guò)不同的訓(xùn)練方式使得源域任務(wù)更好地?cái)M合目標(biāo)域任務(wù)。同時(shí)根據(jù)SAR目標(biāo)檢測(cè)任務(wù)的需求，對(duì)遷移網(wǎng)絡(luò)進(jìn)行改進(jìn)，降低網(wǎng)絡(luò)的訓(xùn)練時(shí)間和網(wǎng)絡(luò)參數(shù)數(shù)量。

1 遷移學(xué)習(xí)在目標(biāo)檢測(cè)網(wǎng)絡(luò)中的應(yīng)用

近年來(lái)，遷移學(xué)習(xí)引起了廣泛的關(guān)注和研究，在維基百科中的定義是:遷移學(xué)習(xí)是運(yùn)用已存有的知識(shí)對(duì)不同但相關(guān)領(lǐng)域問(wèn)題進(jìn)行求解的一種新的機(jī)器學(xué)習(xí)方法。在卷積神經(jīng)網(wǎng)絡(luò)中其訓(xùn)練所獲得的知識(shí)體現(xiàn)于網(wǎng)絡(luò)的權(quán)重參數(shù)中，而卷積神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)的一個(gè)優(yōu)勢(shì)是經(jīng)過(guò)預(yù)訓(xùn)練的網(wǎng)絡(luò)模型可以實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)與網(wǎng)絡(luò)權(quán)重的分離，并分別以配置文件的方式進(jìn)行保存，只要遷移的網(wǎng)絡(luò)結(jié)構(gòu)不改變，就可以利用在大型數(shù)據(jù)集上訓(xùn)練好的權(quán)重參數(shù)初始化目標(biāo)網(wǎng)絡(luò)，這一特點(diǎn)極大地提高了網(wǎng)絡(luò)模型和權(quán)重(知識(shí))遷移的可操作性。

1.1 遷移學(xué)習(xí)的基本概念與優(yōu)勢(shì)

在遷移學(xué)習(xí)中，有兩個(gè)概念：域(Domains)和任務(wù)(Task)。一個(gè)域D可以表示為D=X,PX,其中X是特征空間，PX是基于X的邊緣概率分布，X={X1，X2，…,Xn}∈X。一般來(lái)說(shuō)，兩個(gè)不同的域的特征空間或概率分布是不一樣的。給定一個(gè)域D=X,PX，任務(wù)可以表示為T={Y，f(·)}，其中Y是標(biāo)簽空間，f(·)是預(yù)測(cè)函數(shù)，可以通過(guò)訓(xùn)練集{xi，yi}學(xué)習(xí)而來(lái)，xi∈X，yi∈Y。從概率論的角度來(lái)看，fx相當(dāng)于Py|x，即輸入x被預(yù)測(cè)為各類的概率。遷移學(xué)習(xí)一般涉及兩個(gè)域：源域(Source Domain)DS和目標(biāo)域(Target Domain)DT，因而遷移學(xué)習(xí)可以定義為：給定一個(gè)源域DS和學(xué)習(xí)任務(wù)DT，一個(gè)目標(biāo)域DT和學(xué)習(xí)任務(wù)TT，遷移學(xué)習(xí)的目的是使用DS和TS中的已有知識(shí)，其中DS≠DT和TS≠TT，幫助提高目標(biāo)域DT中目標(biāo)預(yù)測(cè)函數(shù)f(·)的學(xué)習(xí)，即完成目標(biāo)域任務(wù)TT。

作為一種新的機(jī)器學(xué)習(xí)方法，遷移學(xué)習(xí)與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比，主要存在3個(gè)方面的優(yōu)勢(shì)[11]：一是不要求訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)滿足獨(dú)立同分布的條件；二是不需要足夠的訓(xùn)練樣本就能學(xué)習(xí)到一個(gè)好的分類模型；三是不需要對(duì)每個(gè)任務(wù)分別建模，可以重用之前任務(wù)的模型。

1.2 SAR目標(biāo)檢測(cè)網(wǎng)絡(luò)

1.2.1 網(wǎng)絡(luò)模型遷移

本文中SAR目標(biāo)檢測(cè)網(wǎng)絡(luò)采用基于VGGNet網(wǎng)絡(luò)模型的FCN-8[12]，該網(wǎng)絡(luò)在Pascal VOC數(shù)據(jù)集中實(shí)現(xiàn)對(duì)20類不同目標(biāo)的像素分類，檢測(cè)出的目標(biāo)具有較好的區(qū)域整體性和邊緣輪廓性，因此本文對(duì)其網(wǎng)絡(luò)進(jìn)行遷移用于SAR圖像的二值檢測(cè)，遷移學(xué)習(xí)過(guò)程如圖1所示。由于源域任務(wù)TS中涉及的像素類別有21類，目標(biāo)任務(wù)TT中SAR圖像像素類別只有2類，因而對(duì)遷移的網(wǎng)絡(luò)模型的輸出端進(jìn)行修改，分類器只需對(duì)像素是否為目標(biāo)進(jìn)行判別。

圖1 遷移學(xué)習(xí)過(guò)程示意圖

1.2.2 網(wǎng)絡(luò)權(quán)重遷移與訓(xùn)練

網(wǎng)絡(luò)權(quán)重遷移要求源域DS的網(wǎng)絡(luò)結(jié)構(gòu)和目標(biāo)域DT一致時(shí)才能進(jìn)行遷移，對(duì)于修改部分的網(wǎng)絡(luò)權(quán)重采用隨機(jī)初始化；同時(shí)根據(jù)源域任務(wù)與目標(biāo)任務(wù)之間的差異，可以只對(duì)網(wǎng)絡(luò)前端的部分層權(quán)重進(jìn)行遷移，具體遷移多少層的權(quán)重最符合目標(biāo)任務(wù)的需求需要通過(guò)實(shí)驗(yàn)來(lái)驗(yàn)證。

遷移權(quán)重對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行初始化后，網(wǎng)絡(luò)對(duì)遷移權(quán)重訓(xùn)練時(shí)有微調(diào)和凍結(jié)[9]兩種方式。微調(diào)時(shí)反向傳播經(jīng)過(guò)所有層，會(huì)對(duì)所有層的權(quán)重進(jìn)行調(diào)整；而凍結(jié)時(shí)不進(jìn)行反向傳播，遷移層權(quán)重始終保持不變，只對(duì)未遷移的層進(jìn)行訓(xùn)練；同樣可以根據(jù)目標(biāo)任務(wù)的特點(diǎn)將兩種方式進(jìn)行結(jié)合。具體訓(xùn)練方式如圖2所示。具體使用哪一個(gè)方式需要考慮學(xué)習(xí)任務(wù)之間的相關(guān)性，當(dāng)遷移領(lǐng)域比較接近的情況，為了避免網(wǎng)絡(luò)的過(guò)擬合，往往采用凍結(jié)權(quán)重訓(xùn)練的方式；當(dāng)遷移領(lǐng)域差異較大時(shí)，微調(diào)訓(xùn)練方式能使源域知識(shí)更好擬合目標(biāo)任務(wù)的需求。

圖2 遷移權(quán)重再訓(xùn)練方式示意圖

1.3 目標(biāo)檢測(cè)網(wǎng)絡(luò)的改進(jìn)

深度卷積網(wǎng)絡(luò)通過(guò)增加網(wǎng)絡(luò)層數(shù)能有效地提高分類器的精度，同時(shí)也增加了網(wǎng)絡(luò)訓(xùn)練的開銷。文獻(xiàn)[13]指出網(wǎng)絡(luò)訓(xùn)練時(shí)間主要消耗在卷積層，全連接層和池化層計(jì)算時(shí)間占總時(shí)間的5%～10%，其中卷積操作的時(shí)間復(fù)雜度表示如下：

式中，d為網(wǎng)絡(luò)卷積層的總層數(shù)，nl為本層特征圖個(gè)數(shù)，nl-1為上一層特征圖個(gè)數(shù)，也可以稱作nl層的輸入通道數(shù)，sl為filter的尺寸，ml為輸出特征圖的尺寸。上述時(shí)間復(fù)雜度只是理論上的，真實(shí)的計(jì)算時(shí)間和部署方式、硬件有一定的關(guān)系。

考慮學(xué)習(xí)任務(wù)之間的相關(guān)性，SAR目標(biāo)檢測(cè)網(wǎng)絡(luò)的像素類別只有2類，對(duì)分類器進(jìn)行訓(xùn)練時(shí)所需要的特征組合不需要光學(xué)圖像那么多，因此本文對(duì)conv6和conv7替換，替換為conv_new，具體修改如圖3所示?？梢钥闯觯琧onv_new首先將conv6的特征圖的數(shù)量減少了一半，其次由于conv7卷積操作未改變特征圖的大小，直接將其刪除，修改后的網(wǎng)絡(luò)減少了網(wǎng)絡(luò)訓(xùn)練和測(cè)試的時(shí)間，提高了檢測(cè)的時(shí)效性，其次也大大減少了網(wǎng)絡(luò)需要存儲(chǔ)的參數(shù)數(shù)量，降低了對(duì)硬件的要求。

圖3 檢測(cè)網(wǎng)絡(luò)的改進(jìn)

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集樣本檢測(cè)標(biāo)簽制作及實(shí)驗(yàn)設(shè)置

本文數(shù)據(jù)集來(lái)自MSTAR數(shù)據(jù)庫(kù)，目前國(guó)內(nèi)外對(duì)SAR圖像地面目標(biāo)進(jìn)行的研究也大多以該數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)。該數(shù)據(jù)集包含大量地面目標(biāo)切片和少量大場(chǎng)景雜波圖像。

制作標(biāo)簽樣本時(shí)，需要對(duì)目標(biāo)像素進(jìn)行標(biāo)記，不同于光學(xué)圖像的標(biāo)記，SAR圖像受相干斑噪聲等成像機(jī)制的影響，目標(biāo)、陰影與背景區(qū)域之間的過(guò)渡區(qū)域很難分離，對(duì)其進(jìn)行手工標(biāo)注具有很大的主觀性和隨機(jī)性。本文利用MSTAR目標(biāo)的3D模型進(jìn)行成像仿真[14]，利用真實(shí)目標(biāo)切片獲取的俯仰角和方位角信息對(duì)目標(biāo)模型進(jìn)行仿真，生成三維目標(biāo)對(duì)應(yīng)的二維圖像，得到目標(biāo)所在區(qū)域，從圖4展示的BMP2(裝甲車)目標(biāo)切片的仿真標(biāo)注結(jié)果來(lái)看，仿真結(jié)果能較好地與實(shí)測(cè)數(shù)據(jù)擬合，因而采用仿真結(jié)果作為實(shí)測(cè)目標(biāo)切片的標(biāo)簽數(shù)據(jù)。

圖4 SAR目標(biāo)標(biāo)簽仿真過(guò)程

根據(jù)實(shí)驗(yàn)需求，在網(wǎng)絡(luò)的訓(xùn)練階段設(shè)置兩個(gè)數(shù)據(jù)集，分別對(duì)應(yīng)不同的實(shí)驗(yàn)，其中數(shù)據(jù)集二只在復(fù)雜場(chǎng)景多目標(biāo)檢測(cè)實(shí)驗(yàn)中采用，各數(shù)據(jù)集具體說(shuō)明如下：

數(shù)據(jù)集一：采用MSTAR數(shù)據(jù)集中目標(biāo)切片樣本，其中訓(xùn)練集包含有1 285張BMP2目標(biāo)在15°和17°俯仰角下采集的圖像，驗(yàn)證集為495張BTR70目標(biāo)在15°和17°俯仰角下采集的圖像，圖像大小都為128×128像素。

數(shù)據(jù)集二：在數(shù)據(jù)集一的基礎(chǔ)上進(jìn)行擴(kuò)充，對(duì)MSTAR數(shù)據(jù)集中復(fù)雜場(chǎng)景(1 487×1 784大小)隨機(jī)裁剪與目標(biāo)切片大小一致的背景切片作為負(fù)樣本，共400張，如圖5所示，分別在數(shù)據(jù)集一的訓(xùn)練集和驗(yàn)證集中加入360張和40張。

圖5 MSTAR復(fù)雜場(chǎng)景切片圖

在實(shí)驗(yàn)訓(xùn)練與驗(yàn)證階段，評(píng)價(jià)指標(biāo)采用FCN中的候選區(qū)域重和度 (mean_IU)，用正確分類的候選區(qū)域(R)與實(shí)際區(qū)域(R′)的交集除以候選區(qū)域像素面積與實(shí)際區(qū)域面積之和得到的交并比：

實(shí)驗(yàn)中每次訓(xùn)練統(tǒng)一迭代5 000次，每迭代500次對(duì)驗(yàn)證集進(jìn)行一次驗(yàn)證。實(shí)驗(yàn)使用的硬件平臺(tái)為CPU：Intel i7-7700 K@4.x20 GHz,GPU:GTX TITAN X。此處的GPU主要強(qiáng)調(diào)圖形加速器功能，用于網(wǎng)絡(luò)訓(xùn)練過(guò)程中并行化處理,CPU和GPU之間并不沖突和矛盾。

2.2 實(shí)驗(yàn)結(jié)果分析

2.2.1 遷移網(wǎng)絡(luò)與訓(xùn)練方式實(shí)驗(yàn)結(jié)果與分析

在對(duì)檢測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，本實(shí)驗(yàn)對(duì)遷移的權(quán)重分別采取凍結(jié)、微調(diào)、凍結(jié)與微調(diào)結(jié)合三種訓(xùn)練方式進(jìn)行實(shí)驗(yàn)。具體實(shí)現(xiàn)說(shuō)明如下：

1) 凍結(jié)：依次對(duì)conv1～conv6-7權(quán)重進(jìn)行遷移，訓(xùn)練時(shí)保持遷移權(quán)重固定不變；

2) 微調(diào)：依次對(duì)conv1～conv6-7權(quán)重進(jìn)行遷移，訓(xùn)練時(shí)采用反向傳播算法對(duì)遷移權(quán)重進(jìn)行微調(diào)；

3) 凍結(jié)與微調(diào)結(jié)合：首先將conv1～conv6-7全部權(quán)重進(jìn)行遷移，然后依次從conv1～conv6-7凍結(jié)權(quán)重，未凍結(jié)的層采用反向傳播進(jìn)行微調(diào)。

分別利用以上3種方式對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其訓(xùn)練時(shí)的驗(yàn)證結(jié)果如圖6所示。采用訓(xùn)練結(jié)束后的權(quán)重對(duì)驗(yàn)證集進(jìn)行5次驗(yàn)證，并取5次結(jié)果的平均值，其結(jié)果如圖7所示。根據(jù)實(shí)驗(yàn)結(jié)果可以得出以下結(jié)論：

1) 卷積網(wǎng)絡(luò)從各層提取到的圖像特征的表示能力逐步加強(qiáng)，conv1和conv2提取的淺層特征更具一般性與通用性，遷移的權(quán)重對(duì)目標(biāo)任務(wù)的實(shí)現(xiàn)沒(méi)有幫助；conv3～conv5提取的為深層特征，遷移的權(quán)重有利于目標(biāo)任務(wù)的完成，其中conv4和conv5提取的高級(jí)特征能捕獲更復(fù)雜的模式，這些模式一般只對(duì)訓(xùn)練集有效，對(duì)其他數(shù)據(jù)集并不具有泛化能力，對(duì)目標(biāo)任務(wù)的貢獻(xiàn)更加明顯；對(duì)于conv6-7的遷移，在微調(diào)訓(xùn)練中反而使得精度下降了。

2) 由于目標(biāo)數(shù)據(jù)集(SAR圖像)與源域數(shù)據(jù)集(光學(xué)圖像)的差異較大，而且像素分類類別也不一樣，微調(diào)方式比凍結(jié)方式能更好地?cái)M合目標(biāo)域數(shù)據(jù)集的特點(diǎn)，而且微調(diào)方式得到的權(quán)重參數(shù)在驗(yàn)證集上的5次結(jié)果波動(dòng)更小，更有利網(wǎng)絡(luò)測(cè)試的穩(wěn)定性。

(a) 凍結(jié)權(quán)重訓(xùn)練

(b) 微調(diào)權(quán)重訓(xùn)練

(c) 凍結(jié)與微調(diào)結(jié)合權(quán)重訓(xùn)練圖6 不同遷移方式訓(xùn)練結(jié)果對(duì)比

圖7 5次驗(yàn)證結(jié)果及其平均值

2.2.2 改進(jìn)的檢測(cè)網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果與分析

根據(jù)對(duì)網(wǎng)絡(luò)訓(xùn)練方式的實(shí)驗(yàn)結(jié)果的分析，利用圖3改進(jìn)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，凍結(jié)conv1和conv2的權(quán)重，微調(diào)conv3～conv5的權(quán)重，隨機(jī)初始化conv_new的權(quán)重。同時(shí)對(duì)未改進(jìn)的網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)，其中凍結(jié)conv1和conv2的權(quán)重，微調(diào)conv3～conv5的權(quán)重，隨機(jī)初始化conv6-7。為進(jìn)一步驗(yàn)證改進(jìn)網(wǎng)絡(luò)的有效性，對(duì)2.2.1節(jié)中不同訓(xùn)練方式的最佳結(jié)果進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如表1所示，檢測(cè)結(jié)果如圖8所示。結(jié)果表明，改進(jìn)的網(wǎng)絡(luò)在保證檢測(cè)準(zhǔn)確度的同時(shí)，減少了網(wǎng)絡(luò)的訓(xùn)練時(shí)間和網(wǎng)絡(luò)參數(shù)，提高了檢測(cè)的時(shí)效性。目標(biāo)檢測(cè)能較準(zhǔn)確獲得目標(biāo)區(qū)域，沒(méi)有檢測(cè)出孤立點(diǎn)，避免了后續(xù)的形態(tài)學(xué)處理，簡(jiǎn)化了檢測(cè)的流程。

圖8 檢測(cè)結(jié)果對(duì)比

2.2.3 復(fù)雜場(chǎng)景多目標(biāo)檢測(cè)實(shí)驗(yàn)結(jié)果與分析

在MSTAR數(shù)據(jù)集包含的復(fù)雜大場(chǎng)景圖像中，由于背景雜波對(duì)目標(biāo)檢測(cè)的干擾，采用數(shù)據(jù)集二對(duì)改進(jìn)的檢測(cè)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程采用遷移學(xué)習(xí)中最佳的訓(xùn)練方式，其他實(shí)驗(yàn)條件保持不變。利用訓(xùn)練得到的檢測(cè)網(wǎng)絡(luò)對(duì)3幅不同場(chǎng)景圖像進(jìn)行二值檢測(cè)，對(duì)檢測(cè)的結(jié)果剔除面積小于25個(gè)像素點(diǎn)的區(qū)域，然后利用Matlab中rectangle函數(shù)定位到目標(biāo)位置以及設(shè)置區(qū)域大小為80×80像素，檢測(cè)結(jié)果如圖9所示。

(a) 場(chǎng)景一 (b) 場(chǎng)景二 (c) 場(chǎng)景三圖9 復(fù)雜場(chǎng)景多目標(biāo)檢測(cè)結(jié)果

檢測(cè)方法總目標(biāo)個(gè)數(shù)檢測(cè)到的目標(biāo)個(gè)數(shù)虛警目標(biāo)個(gè)數(shù)本文方法373713雙參數(shù)CFAR3737117

(a) 場(chǎng)景一 (b) 場(chǎng)景二 (c) 場(chǎng)景三圖10 雙參數(shù)CFAR檢測(cè)結(jié)果

3 結(jié)束語(yǔ)

本文引入遷移學(xué)習(xí)的方法解決了深度卷積神經(jīng)網(wǎng)絡(luò)在SAR目標(biāo)檢測(cè)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集樣本不足的問(wèn)題，利用對(duì)比實(shí)驗(yàn)確定目標(biāo)域遷移權(quán)重的訓(xùn)練方式，針對(duì)SAR目標(biāo)檢測(cè)的時(shí)效性對(duì)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，在單個(gè)簡(jiǎn)單背景目標(biāo)檢測(cè)的基礎(chǔ)上，在訓(xùn)練集中引入復(fù)雜背景雜波切片，使得檢測(cè)網(wǎng)絡(luò)有效學(xué)習(xí)到背景雜波的先驗(yàn)信息，從而在多目標(biāo)檢測(cè)中有效避免了雜波的干擾。與CFAR方法相比，降低虛警率的基礎(chǔ)上避免了人工參數(shù)的設(shè)置與后續(xù)形態(tài)學(xué)處理，簡(jiǎn)化了檢測(cè)的流程，為下一步利用檢測(cè)到的目標(biāo)進(jìn)行識(shí)別打下基礎(chǔ)。