基于門控多尺度匹配網(wǎng)絡(luò)的小樣本SAR目標(biāo)識(shí)別

劉 旗, 張新禹, 劉永祥

(國(guó)防科技大學(xué)電子科學(xué)學(xué)院, 湖南 長(zhǎng)沙 410073)

0 引 言

合成孔徑雷達(dá)(synthetic aperture radar, SAR)系統(tǒng)通過對(duì)被測(cè)目標(biāo)發(fā)射電磁波,得到被測(cè)目標(biāo)的散射點(diǎn)回波,進(jìn)而對(duì)被測(cè)目標(biāo)的雷達(dá)回波進(jìn)行相干處理,得到目標(biāo)的高分辨率圖像。與紅外和光學(xué)成像系統(tǒng)相比,由于雷達(dá)電磁波的穿透性,使得SAR系統(tǒng)相較于紅外和光學(xué)系統(tǒng)而言具有在極端條件下工作、不受天氣等自然條件的影響的優(yōu)勢(shì)。而且,SAR系統(tǒng)便于搭載,在軍用和民用領(lǐng)域都發(fā)揮了重要的作用。例如,地形測(cè)繪、海洋觀測(cè)以及自動(dòng)目標(biāo)識(shí)別(automatic target recognition, ATR)。

SAR圖像能夠反映目標(biāo)散射點(diǎn)的距離向和橫向信息,因此基于SAR圖像的雷達(dá)自ATR(radar ATR, RATR)技術(shù)一直是近年雷達(dá)目標(biāo)識(shí)別領(lǐng)域的研究熱點(diǎn)。常見的目標(biāo)識(shí)別方法大致由3部分構(gòu)成,分別是數(shù)據(jù)預(yù)處理、提取特征和設(shè)計(jì)分類器。傳統(tǒng)的SAR目標(biāo)識(shí)別方法通過人類手工提取或設(shè)計(jì)特征,并根據(jù)特征設(shè)計(jì)合適的分類器來實(shí)現(xiàn)對(duì)SAR圖像的自動(dòng)識(shí)別。傳統(tǒng)SAR圖像目標(biāo)識(shí)別方法雖然在一定程度上取得了一些成果,但是上述方法需要人類進(jìn)行手工提取或者設(shè)計(jì)特征,需要花費(fèi)大量的人力、物力和財(cái)力,而且特征的表征能力成為了上述方法性能提升的瓶頸。因此,近年來,研究者們?yōu)榱说玫礁弑碚髂芰Φ奶卣髯隽舜罅康墓ぷ?但是低級(jí)的視覺特征和高級(jí)的語義表示之間的語義鴻溝使得傳統(tǒng)的SAR圖像目標(biāo)識(shí)別方法往往不能取得令人滿意的結(jié)果。

近年來,深度學(xué)習(xí)方法發(fā)展迅速,在很多領(lǐng)域都表現(xiàn)出一定的先進(jìn)性。在SAR目標(biāo)識(shí)別領(lǐng)域,深度學(xué)習(xí)方法因其良好的泛化能力和較強(qiáng)的類內(nèi)表征能力被研究者們廣泛應(yīng)用到SAR圖像的識(shí)別任務(wù)中,并取得了一定成果。文獻(xiàn)[24]的作者提出了一種復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)(complex-valued convolutional neural network, CVCNN),該方法能夠同時(shí)利用目標(biāo)的幅度和相位信息進(jìn)行目標(biāo)識(shí)別。文獻(xiàn)[25]提出了一種斑點(diǎn)噪聲魯棒的SAR圖像目標(biāo)識(shí)別方法,該方法設(shè)計(jì)了一種雙階段組合卷積神經(jīng)網(wǎng)絡(luò)來對(duì)地面目標(biāo)的SAR圖像進(jìn)行識(shí)別。在該方法中,SAR圖像目標(biāo)在第一階段會(huì)經(jīng)過基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的去斑點(diǎn)噪聲子網(wǎng)絡(luò)的處理,從而去除SAR圖像中的斑點(diǎn)噪聲,然后去除噪聲的SAR圖像在第二個(gè)階段會(huì)經(jīng)過基于卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的識(shí)別子網(wǎng)絡(luò)的處理,從而實(shí)現(xiàn)對(duì)地面目標(biāo)的魯棒識(shí)別。文獻(xiàn)[26]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的特征融合SAR目標(biāo)識(shí)別方法,該方法可以大致分為3個(gè)部分,分別是特征提取模塊、特征融合模塊和識(shí)別模塊。在該方法中,作者提出了一種可以保留不同特征之間空間關(guān)系的特征融合方法,在一定程度上提高了目標(biāo)識(shí)別的準(zhǔn)確率。上述基于深度學(xué)習(xí)的SAR目標(biāo)識(shí)別方法,在一定程度上實(shí)現(xiàn)了自動(dòng)提取特征的功能,與傳統(tǒng)SAR目標(biāo)識(shí)別方法相比避免了繁瑣的人工提取特征的過程,并在識(shí)別性能上具有一定的提升。然而,上述基于深度學(xué)習(xí)的方法需要大量的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練,一旦訓(xùn)練數(shù)據(jù)不足,上述方法往往會(huì)產(chǎn)生嚴(yán)重的過擬合現(xiàn)象,導(dǎo)致其泛化能力下降,識(shí)別性能降低。

實(shí)際上,小樣本問題在SAR目標(biāo)識(shí)別領(lǐng)域普遍存在。SAR目標(biāo)識(shí)別領(lǐng)域的小樣本問題是指在只有少量SAR訓(xùn)練樣本的條件下,要求模型利用獲取的少量SAR訓(xùn)練樣本快速地學(xué)習(xí)并且表現(xiàn)出較強(qiáng)的泛化性能。由于以下幾個(gè)方面的原因,導(dǎo)致了SAR目標(biāo)識(shí)別領(lǐng)域產(chǎn)生了小樣本問題:① 在軍事領(lǐng)域,尤其是非合作目標(biāo),能夠探測(cè)得到的SAR圖像很少,而且在特殊情況下,往往要求模型在獲取少量樣本的條件下就能夠?qū)Ρ粶y(cè)目標(biāo)做出準(zhǔn)確的識(shí)別。② SAR圖像的標(biāo)注工作需要一定的先驗(yàn)知識(shí)作為基礎(chǔ),這造成了標(biāo)注工作的緩慢以及需要花費(fèi)更多的財(cái)力。因此,提升小樣本條件下SAR目標(biāo)識(shí)別模型的泛化能力、提高目標(biāo)識(shí)別準(zhǔn)確率具有重要意義。

在光學(xué)圖像識(shí)別領(lǐng)域,小樣本問題很早就受到了諸多研究者的持續(xù)關(guān)注,發(fā)展到現(xiàn)在,光學(xué)圖像識(shí)別領(lǐng)域的研究者們已經(jīng)提出了一系列能有效解決小樣本條件下模型泛化能力下降、識(shí)別準(zhǔn)確率低問題的方法。文獻(xiàn)[32]提出了一種模型無關(guān)的元學(xué)習(xí)方法(model-agnostic meta-learning, MAML),在該方法中,作者設(shè)計(jì)了特定的模型結(jié)構(gòu),并且使得模型的參數(shù)經(jīng)過文章中介紹的訓(xùn)練方法訓(xùn)練以后,模型在面對(duì)新的學(xué)習(xí)任務(wù)時(shí),只需要少量的學(xué)習(xí)樣本并且少次優(yōu)化迭代就可以表現(xiàn)出較好的泛化性能。文獻(xiàn)[33]提出了一種新的基于長(zhǎng)短時(shí)記憶神經(jīng)單元的元學(xué)習(xí)器(meta long short-term memory, Meta-LSTM),具體而言,作者利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的長(zhǎng)時(shí)間狀態(tài)轉(zhuǎn)移矩陣的更新公式代替?zhèn)鹘y(tǒng)的基于梯度下降的優(yōu)化方式,經(jīng)過大量學(xué)習(xí)任務(wù)的訓(xùn)練,元學(xué)習(xí)器可以在少量樣本的條件下優(yōu)化學(xué)習(xí)器,使得學(xué)習(xí)器在小樣本條件下能夠表現(xiàn)出較好的性能。文獻(xiàn)[34]提出了匹配網(wǎng)絡(luò)的模型,匹配網(wǎng)絡(luò)能夠形成沒有標(biāo)簽的待測(cè)目標(biāo)樣本與帶有標(biāo)簽的訓(xùn)練樣本之間的映射,避免了模型在適應(yīng)新類型目標(biāo)時(shí)的微調(diào)過程。

近年來,在SAR圖像目標(biāo)識(shí)別領(lǐng)域,也有一部分研究者針對(duì)如何提高小樣本條件下SAR圖像目標(biāo)的識(shí)別率以及識(shí)別模型的泛化能力,提出了一些小樣本條件下的SAR圖像目標(biāo)識(shí)別方法。文獻(xiàn)[35]提出了一種基于度量學(xué)習(xí)的小樣本SAR目標(biāo)識(shí)別方法,結(jié)合小樣本學(xué)習(xí)的訓(xùn)練方式,在一定程度上降低了訓(xùn)練所需的樣本數(shù)。文獻(xiàn)[36]提出了一種基于自注意力機(jī)制和多尺度特征融合的SAR圖像目標(biāo)識(shí)別方法,雖然該方法在一定程度上降低了SAR圖像目標(biāo)識(shí)別時(shí)需要的訓(xùn)練數(shù)據(jù)量,但是該方法在MSTAR數(shù)據(jù)集上目標(biāo)識(shí)別準(zhǔn)確率達(dá)到90%以上需要至少50%的訓(xùn)練數(shù)據(jù),獲取這50%數(shù)據(jù)量仍然存在一定難度。文獻(xiàn)[37]基于高速公路單元提出了一種卷積高速公路網(wǎng)絡(luò)架構(gòu),用于訓(xùn)練數(shù)據(jù)有限情況下對(duì)SAR圖像目標(biāo)進(jìn)行準(zhǔn)確識(shí)別,該方法在MSTAR數(shù)據(jù)集上識(shí)別準(zhǔn)確率達(dá)到90%以上，但需要的訓(xùn)練數(shù)據(jù)量降低到了30%左右,然而獲取這30%數(shù)據(jù)量仍然存在一定難度,而且該方法在識(shí)別率達(dá)到90%以上以后,增加訓(xùn)練數(shù)據(jù)量對(duì)提升識(shí)別準(zhǔn)確率效果不如未達(dá)到90%以前明顯。文獻(xiàn)[38]提出了一種基于小樣本學(xué)習(xí)的SAR圖像目標(biāo)識(shí)別方法,該方法利用2D Gabor濾波器對(duì)圖像進(jìn)行增強(qiáng),利用卷積自編碼器提取特征并識(shí)別,該方法在MSTAR數(shù)據(jù)集上只用了10%的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練就可以實(shí)現(xiàn)對(duì)SAR圖像目標(biāo)的有效識(shí)別,但是該方法的識(shí)別準(zhǔn)確率不高,很難滿足人們的識(shí)別需求。

受上述光學(xué)圖像識(shí)別領(lǐng)域解決小樣本問題的方法的啟發(fā),針對(duì)目前現(xiàn)存的SAR圖像目標(biāo)識(shí)別模型在小樣本條件下存在的模型泛化能力差、識(shí)別準(zhǔn)確率低的問題,本文提出了一種小樣本SAR圖像目標(biāo)識(shí)別方法,叫做基于權(quán)重門控多尺度特征融合匹配網(wǎng)絡(luò)SAR目標(biāo)識(shí)別方法。具體而言,所提方法引入了多尺度特征提取模塊,用以提取匹配網(wǎng)絡(luò)不同卷積層的多尺度特征,門控單元根據(jù)不同識(shí)別任務(wù)對(duì)不同卷積層的特征設(shè)置不同的權(quán)重,從而實(shí)現(xiàn)根據(jù)特定任務(wù)以不同卷積層的特征為主導(dǎo)進(jìn)行SAR圖像目標(biāo)識(shí)別的效果,最終提升模型的泛化能力以及目標(biāo)識(shí)別準(zhǔn)確率。

1 基于權(quán)重門控多尺度特征融合匹配網(wǎng)絡(luò)的SAR目標(biāo)小樣本識(shí)別方法

1.1 問題定義和闡述

在本文中,匹配網(wǎng)絡(luò)中的卷積網(wǎng)絡(luò)、多尺度特征提取網(wǎng)絡(luò)和權(quán)重門控單元都是由深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的。然而,在小樣本條件下,由于訓(xùn)練數(shù)據(jù)的不足,經(jīng)常會(huì)導(dǎo)致深度神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)過擬合現(xiàn)象,導(dǎo)致模型泛化能力下降,識(shí)別準(zhǔn)確率低。因此,采用由文獻(xiàn)[33]和文獻(xiàn)[35]啟發(fā)得到的episode訓(xùn)練策略,對(duì)所設(shè)計(jì)的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。episode訓(xùn)練策略是元學(xué)習(xí)領(lǐng)域經(jīng)常采用的訓(xùn)練方法。具體而言,episode訓(xùn)練策略需要兩種類型的數(shù)據(jù)集,分別是元訓(xùn)練集和元測(cè)試集。和中由很多episode數(shù)據(jù)集構(gòu)成,每一個(gè)episode數(shù)據(jù)集都是從目標(biāo)數(shù)據(jù)集中采樣得到的“類樣本”的任務(wù),“類樣本”是指分別從類不同目標(biāo)的數(shù)據(jù)集中采樣,每種目標(biāo)取個(gè)樣本。每一個(gè)episode由兩部分構(gòu)成,分別是支撐集和質(zhì)詢集。支撐集中包含了類目標(biāo)的樣本,每類目標(biāo)具有個(gè)樣本,質(zhì)詢集包含了與支撐集相同類別的類目標(biāo)的樣本,其中質(zhì)詢集中的樣本沒有在支撐集中出現(xiàn)過。元訓(xùn)練集中的支撐集和質(zhì)詢集記為和,元測(cè)試集中的支撐集和質(zhì)詢集記為和。

本文設(shè)計(jì)的方法之所以能夠適用小樣本條件下對(duì)SAR圖像目標(biāo)的識(shí)別,可以大致總結(jié)為以下幾個(gè)原因。首先,采用的episode訓(xùn)練策略遵循了一個(gè)簡(jiǎn)單的機(jī)器學(xué)習(xí)原則,即訓(xùn)練和測(cè)試條件必須匹配。具體而言,在訓(xùn)練時(shí),只將每類目標(biāo)的幾個(gè)樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練,就像在測(cè)試時(shí),只能得到新任務(wù)每類目標(biāo)的幾個(gè)樣本一樣,這就能夠使網(wǎng)絡(luò)進(jìn)行快速學(xué)習(xí),滿足小樣本學(xué)習(xí)的要求。其次,匹配網(wǎng)絡(luò)成功將參數(shù)模型和非參數(shù)模型進(jìn)行結(jié)合,同時(shí)利用了參數(shù)模型提取的特征表征能力強(qiáng)和非參數(shù)模型不需要訓(xùn)練、沒有災(zāi)難性遺忘的優(yōu)點(diǎn),降低了訓(xùn)練需要的數(shù)據(jù)量,并使其具有能夠從少量訓(xùn)練樣本中提取出表征能力強(qiáng)的特征從而快速泛化到新樣本上的能力,有利于小樣本條件下提取SAR圖像目標(biāo)的特征并應(yīng)用到新樣本的準(zhǔn)確識(shí)別上。再次,匹配網(wǎng)絡(luò)具有一定的記憶功能,能夠記住支撐集中每類目標(biāo)的特征,通過將質(zhì)詢集中樣本的特征與支撐集中每類樣本的特征進(jìn)行匹配,完成對(duì)質(zhì)詢集樣本的識(shí)別,匹配網(wǎng)絡(luò)的這種記憶功能和匹配識(shí)別方法,在一定程度上降低了訓(xùn)練所需的樣本數(shù)。最后,在匹配網(wǎng)絡(luò)的基礎(chǔ)上,加入了多尺度特征提取模塊和權(quán)重門控單元。多尺度特征提取模塊能夠提取出匹配網(wǎng)絡(luò)不同卷積層的特征,權(quán)重門控單元能夠根據(jù)不同的識(shí)別任務(wù)對(duì)不同卷積層的特征賦予不同的權(quán)重值,從而達(dá)到根據(jù)不同識(shí)別任務(wù)選擇不同特征進(jìn)行識(shí)別的目的,有利于小樣本條件下針對(duì)不同的識(shí)別任務(wù),快速提取適合且表征能力強(qiáng)的特征,有助于提高小樣本條件下對(duì)SAR圖像目標(biāo)的識(shí)別準(zhǔn)確率。

1.2 權(quán)重門控多尺度特征融合匹配網(wǎng)絡(luò)

圖1為門控多尺度匹配網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)示意圖。提出的權(quán)重門控多尺度特征融合匹配網(wǎng)絡(luò)旨在根據(jù)特定的識(shí)別任務(wù),提取對(duì)當(dāng)前識(shí)別任務(wù)最有幫助的特征,匹配網(wǎng)絡(luò)根據(jù)提取出的特征對(duì)不同目標(biāo)做出識(shí)別,從而達(dá)到提升模型泛化能力、提高模型識(shí)別準(zhǔn)確率的目的。

圖1 門控多尺度匹配網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Schematic diagram of the network structure of gated multiscals matching network

輸入的圖像會(huì)首先經(jīng)過4層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取,不同層的卷積特征代表著目標(biāo)不同深度的特征而且具有不同的感受野,不同層的卷積特征會(huì)經(jīng)過特征壓縮模塊和感興趣區(qū)域(region of interest, RoI)模塊進(jìn)行處理,特征壓縮模塊通過1×1卷積運(yùn)算減少了特征圖的大小,提高了運(yùn)算效率,降低了對(duì)計(jì)算資源的需求,RoI池化將不同層的卷積特征由不同的空間形狀變?yōu)橄嗤目臻g形狀以便于后續(xù)處理。權(quán)重門控單元對(duì)多尺度RoI池化特征圖進(jìn)行權(quán)重分配,對(duì)有利于當(dāng)前識(shí)別任務(wù)的特征圖賦予更高的權(quán)重,對(duì)不利于當(dāng)前任務(wù)目標(biāo)識(shí)別或冗余的特征圖賦予更低的權(quán)重。最后,不同層的特征通過拼接融合到一起,參與到最終的識(shí)別任務(wù)中。用于測(cè)試的圖像樣本的融合特征會(huì)與用于訓(xùn)練的每類目標(biāo)的樣本特征進(jìn)行余弦相似度比較,最終預(yù)測(cè)出測(cè)試樣本的類別。

1.3 匹配網(wǎng)絡(luò)

(1)

(2)

式中：,表示嵌入函數(shù),在本文中,=,由卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn),用以提取特征；表示兩個(gè)向量之間的余弦相似度,表示為

(3)

式中：,表示維向量；,表示向量中的元素。

匹配網(wǎng)絡(luò)的結(jié)構(gòu)示意圖如圖1(a)所示,如上文描述,=表示嵌入函數(shù),用以提取特征,由4個(gè)相同的卷積模塊構(gòu)成,每個(gè)卷積模塊由一個(gè)3×3的卷積層、一個(gè)批歸一化層,一個(gè)修正線性單元(rectified linear unit, ReLU)非線性激活函數(shù)層和一個(gè)2×2的最大池化層構(gòu)成。

1.4 多尺度特征提取網(wǎng)絡(luò)

多尺度特征提取網(wǎng)絡(luò)可以大致分為兩部分,分別是特征壓縮模塊和RoI池化模塊。設(shè)計(jì)特征壓縮模塊的目的在于其能夠壓縮匹配網(wǎng)絡(luò)各個(gè)卷積層得到的卷積圖,從而達(dá)到減少數(shù)據(jù)量、提高識(shí)別速度的作用。RoI池化模塊的設(shè)計(jì)初衷在于其能夠提取對(duì)SAR目標(biāo)識(shí)別感興趣的特征,并將不同卷積層提取出的特征的形狀進(jìn)行統(tǒng)一,便于后續(xù)處理,而且RoI池化模塊能夠進(jìn)一步減少數(shù)據(jù)量,提高運(yùn)算效率。圖2展示了多尺度特征提取網(wǎng)絡(luò)的結(jié)構(gòu)及操作流程。

圖2 多尺度特征提取網(wǎng)絡(luò)結(jié)構(gòu)及運(yùn)算流程Fig.2 Structure and operation flow of multiscale feature extraction network

(4)

式中：*表示卷積操作；表示特征壓縮模塊第個(gè)壓縮因子。圖2展示了式(4)表示的1×1卷積運(yùn)算過程。1×1卷積運(yùn)算通過對(duì)不同通道的數(shù)據(jù)進(jìn)行加權(quán)求和實(shí)現(xiàn)跨通道的信息交互,實(shí)現(xiàn)在不改變特征圖二維形狀大小(,)的前提下對(duì)其進(jìn)行降維操作,減少了網(wǎng)絡(luò)的參數(shù),降低了網(wǎng)絡(luò)優(yōu)化的復(fù)雜度。同時(shí),1×1卷積層后接的ReLU激活函數(shù)可以增加網(wǎng)絡(luò)的非線性特性,提高網(wǎng)絡(luò)的表征能力。1×1卷積操作跨通道的信息交互、減少網(wǎng)絡(luò)的參數(shù)量、提高網(wǎng)絡(luò)的表征能力等優(yōu)點(diǎn)都有利于提高小樣本條件下SAR圖像目標(biāo)識(shí)別的準(zhǔn)確率和網(wǎng)絡(luò)模型的泛化能力。

1.5 權(quán)重門控單元

權(quán)重門控單元能夠根據(jù)不同的SAR目標(biāo)識(shí)別任務(wù)對(duì)不同尺度的RoI池化特征圖學(xué)習(xí)到不同的權(quán)重大小,從而實(shí)現(xiàn)根據(jù)不同的SAR目標(biāo)識(shí)別任務(wù)提取不同的目標(biāo)特征,以該特征為主要信息完成SAR目標(biāo)識(shí)別任務(wù)。權(quán)重門控單元的結(jié)構(gòu)很簡(jiǎn)單,包括1×1卷積層,2個(gè)全連接層和Sigmoid激活函數(shù),權(quán)重門控單元的網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3所示。

圖3 權(quán)重門控單元的網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure of weight gated unit

權(quán)重門控單元∈××的定義式如下所示:

(5)

式中：,分別表示第二個(gè)和第一個(gè)全連接層的權(quán)重；是卷積層的權(quán)重；,表示激活函數(shù),分別是Sigmoid和ReLU。

權(quán)重門控單元通過與RoI池化特征圖做元素對(duì)應(yīng)位置相乘實(shí)現(xiàn)對(duì)多尺度特征設(shè)置不同的權(quán)重。上述過程表示為

(6)

權(quán)重門控單元本質(zhì)上是一種注意力機(jī)制,與文獻(xiàn)[40]中提出的注意力機(jī)制有所不同,文獻(xiàn)[40]中提出的注意力機(jī)制是基于通道級(jí)的注意力機(jī)制,主要負(fù)責(zé)將不同通道的特征圖賦予不同的權(quán)重大小,而權(quán)重門控單元是一種基于空間結(jié)構(gòu)級(jí),經(jīng)過權(quán)重門控單元處理后的特征圖,會(huì)將特征圖中對(duì)識(shí)別比較重要的空間位置的特征賦予更大的權(quán)重,通過對(duì)重要位置的特征賦予更大的權(quán)重使得網(wǎng)絡(luò)學(xué)習(xí)到的特征更加具有代表性,表征能力更強(qiáng),可以在一定程度上減少訓(xùn)練所需的樣本數(shù)量。

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文所提方法的有效性,本節(jié)介紹了所提方法在公開SAR圖像數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果,包括數(shù)據(jù)集介紹和實(shí)驗(yàn)的具體實(shí)施細(xì)節(jié)。為了更直觀地體現(xiàn)所提方法的優(yōu)越性,將所提方法與3種目前光學(xué)圖像識(shí)別領(lǐng)域表現(xiàn)良好的小樣本學(xué)習(xí)方法進(jìn)行了對(duì)比,3種方法分別是:MAML、Meta-LSTM、Matching Net。同時(shí),將所提方法與兩種小樣本SAR目標(biāo)識(shí)別方法進(jìn)行了對(duì)比。而且,本文嘗試了兩種不同的度量函數(shù),進(jìn)行了小樣本條件下的SAR圖像目標(biāo)識(shí)別實(shí)驗(yàn)。最后,對(duì)原始的數(shù)據(jù)集加入不同分貝的噪聲,分別驗(yàn)證了所提方法在-10 dB,-5 dB,0 dB,5 dB和10 dB的噪聲條件下,對(duì)小樣本目標(biāo)的識(shí)別效果。所有的實(shí)驗(yàn)都是在帶有一塊NVIDIA GeForce GTX 1650顯卡的筆記本上基于Pytorch庫進(jìn)行的。

2.1 數(shù)據(jù)集介紹

實(shí)驗(yàn)所采用的數(shù)據(jù)集是由美國(guó)空軍研究室提供的運(yùn)動(dòng)和靜止目標(biāo)獲取與識(shí)別(moving and stationary target acquisition and recognition， MSTAR)數(shù)據(jù)集。該數(shù)據(jù)集中包含了10類前蘇聯(lián)軍事車輛目標(biāo)的SAR圖像,被很多研究者廣泛應(yīng)用在SAR目標(biāo)識(shí)別中。

MSTAR數(shù)據(jù)集中的10類軍事車輛目標(biāo)分別是:ZSU234,ZIL131,T72,T62,D7,BTR70,BTR60,BRDM2,BMP2,2S1。每張SAR圖像在距離向和方位向的分辨率是0.3 m,大小為128×128,通常是在0°～360°方位角下,每隔1°～2°獲取到的一次SAR目標(biāo)切片圖像。圖4展示了10類軍事車輛目標(biāo)的光學(xué)圖像(第一行)和相應(yīng)的SAR圖像(第三行)。

圖4 MSTAR數(shù)據(jù)集10類雷達(dá)目標(biāo)的光學(xué)圖像和相應(yīng)的SAR圖像Fig.4 Optical images and the corresponding SAR images of 10 types of radar target in MSTAR dataset

2.2 具體實(shí)施

實(shí)驗(yàn)選取了俯仰角為17°的數(shù)據(jù)集作為元訓(xùn)練集,俯仰角為15°的數(shù)據(jù)集作為元測(cè)試集。元訓(xùn)練集中的支撐集和質(zhì)詢集是從元訓(xùn)練集中通過“類樣本”的方式產(chǎn)生的。具體而言,首先從10類軍事車輛目標(biāo)中隨機(jī)選取類,然后從這類的0°～180°方位角樣本中每一類隨機(jī)選出個(gè)樣本,組成支撐集,再從這類的181°～360°方位角的樣本中每類隨機(jī)挑選出一部分樣本組成,經(jīng)過一次“類樣本”過程,得到的支撐集和質(zhì)詢集組成元訓(xùn)練集的一個(gè)episode,然后重復(fù)進(jìn)行“類樣本”過程次,就得到個(gè)episode,這m個(gè)episode用來對(duì)所提方法進(jìn)行訓(xùn)練。同樣地,對(duì)元測(cè)試集進(jìn)行相同的操作,用以驗(yàn)證所提方法。值得一提的是,文中的取值為5,分別在取1,2,5和10的條件下進(jìn)行了小樣本SAR目標(biāo)識(shí)別實(shí)驗(yàn)。在取1,2,5和10的條件下,的取值分別是100,50,20,10。數(shù)據(jù)集的設(shè)置形式如圖5所示。這樣劃分支撐集和質(zhì)詢集的目的是驗(yàn)證所提方法的泛化性能,探究利用一部分方位角的SAR圖像對(duì)學(xué)習(xí)器進(jìn)行訓(xùn)練,學(xué)習(xí)器能否將這種識(shí)別能力泛化到對(duì)另一部分方位角的SAR圖像的識(shí)別中。實(shí)際上,很難得到目標(biāo)全方位(0°～360°)的SAR圖像,尤其是針對(duì)非合作目標(biāo)甚至是對(duì)方目標(biāo)。因此,對(duì)于小樣本條件下識(shí)別模型的泛化能力,其中一種表現(xiàn)形式可以是利用方位角范圍盡可能小的SAR圖像進(jìn)行訓(xùn)練,得到的模型能夠?qū)Ψ轿唤欠秶M可能大的SAR圖像進(jìn)行有效識(shí)別。極端情況下,如果只利用一個(gè)角度的SAR圖像進(jìn)行訓(xùn)練得到的模型,能夠?qū)崿F(xiàn)對(duì)360°的SAR圖像的有效識(shí)別,那么可以認(rèn)為該模型具有較強(qiáng)的泛化能力。本文中利用0°～180°范圍的SAR圖像作為支撐集進(jìn)行訓(xùn)練,而利用180°～360°范圍的SAR圖像作為質(zhì)詢集進(jìn)行測(cè)試的目的就是為了驗(yàn)證所提模型對(duì)不同方位角SAR圖像識(shí)別的泛化性能。

圖5 數(shù)據(jù)集的設(shè)置形式Fig.5 Dataset setting of the proposed method

對(duì)于匹配網(wǎng)絡(luò)中卷積神經(jīng)網(wǎng)絡(luò)特征提取模塊,采用經(jīng)典的4個(gè)卷積模塊構(gòu)成,具體而言,每個(gè)卷積模塊包含一個(gè)3×3的卷積層、一個(gè)ReLU、一個(gè)批歸一化層和一個(gè)2×2的池化層。多尺度特征提取模塊由一個(gè)1×1的卷積層和一個(gè)RoI池化模塊構(gòu)成。1×1卷積層用于減少數(shù)據(jù)量,RoI池化模塊由一層9×9的池化層構(gòu)成,用于改變特征圖的空間形狀。權(quán)重門控單元由一個(gè)1×1卷積層、一個(gè)全連接層和一個(gè)Sigmoid激活函數(shù)層構(gòu)成。

2.3 與其他小樣本識(shí)別方法進(jìn)行對(duì)比

為了驗(yàn)證所提方法的有效性,通過設(shè)置實(shí)驗(yàn),將所提方法與3種經(jīng)典的小樣本學(xué)習(xí)方法進(jìn)行了對(duì)比。值得一提的是,3種經(jīng)典的小樣本學(xué)習(xí)方法在光學(xué)圖像領(lǐng)域小樣本條件下都表現(xiàn)出了良好的識(shí)別性能,3種方法分別是:MAML,Meta-LSTM和Matching Net。為了能夠更好地反映3種方法在SAR圖像目標(biāo)識(shí)別中的表現(xiàn),沒有對(duì)上述方法的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改動(dòng)。

在“5類1樣本”“5類2樣本”“5類5樣本”和“5類10樣本”的條件下,分別利用所提方法和上述3種方法,對(duì)SAR圖像目標(biāo)進(jìn)行了識(shí)別實(shí)驗(yàn)。值得一提的是,“類樣本”表示對(duì)類目標(biāo)進(jìn)行識(shí)別,每次訓(xùn)練每類目標(biāo)只提供個(gè)樣本。在本節(jié)中,設(shè)計(jì)了針對(duì)5類雷達(dá)目標(biāo)在小樣本條件下的識(shí)別實(shí)驗(yàn),具體而言,首先將MSTAR數(shù)據(jù)集劃分成了元訓(xùn)練集和元測(cè)試集,將MSTAR數(shù)據(jù)集中俯仰角為17°的數(shù)據(jù)作為了元訓(xùn)練集,將俯仰角為15°的數(shù)據(jù)作為了元測(cè)試集。然后,利用“類樣本”方法將元訓(xùn)練集和元測(cè)試集劃分成了若干支撐集和質(zhì)詢集。在本文中，恒等于5,有4種不同的取值,分別是1,2,5和10。下面以=5,=10為例簡(jiǎn)單介紹一下支撐集和質(zhì)詢集的劃分過程。首先,從MSTAR數(shù)據(jù)集10類不同雷達(dá)目標(biāo)中隨機(jī)選取5類目標(biāo),然后從選出的這5類雷達(dá)目標(biāo)中每類目標(biāo)0°～180°的方位角樣本中隨機(jī)挑選10個(gè)樣本,選出的這×=5×10=50個(gè)樣本構(gòu)成元訓(xùn)練集的一個(gè)支撐集；在這之后,從選出的這5類雷達(dá)目標(biāo)180°～360°的方位角樣本中隨機(jī)挑選一部分樣本數(shù)據(jù)構(gòu)成與支撐集相對(duì)應(yīng)的質(zhì)詢集,重復(fù)上述過程,就可以得到多對(duì)支撐集和質(zhì)詢集用以對(duì)模型進(jìn)行訓(xùn)練。而對(duì)元測(cè)試集進(jìn)行上述相同的操作,就可以將元測(cè)試集劃分成若干支撐集和質(zhì)詢集的形式,用來對(duì)模型的性能進(jìn)行測(cè)試驗(yàn)證。

表1給出了在“5類1樣本”“5類2樣本”“5類5樣本”和“5類10樣本”的條件下,訓(xùn)練迭代100次,所提方法和上述3種方法達(dá)到的最高識(shí)別準(zhǔn)確率。如表1所示,盡管在光學(xué)圖像領(lǐng)域,上述3種方法表現(xiàn)出了一定的先進(jìn)性,但是針對(duì)小樣本條件下SAR圖像的目標(biāo)識(shí)別任務(wù),上述方法性能普通,識(shí)別準(zhǔn)確率還有提升的空間。所提方法在提到的4種小樣本條件下均實(shí)現(xiàn)了最高的識(shí)別準(zhǔn)確率。尤其是在“5類1樣本”和“5類2樣本”條件下,所提方法較其他方法識(shí)別準(zhǔn)確率提高接近10%,這表明多尺度特征提取網(wǎng)絡(luò)提取的不同尺度的特征蘊(yùn)含了SAR圖像目標(biāo)的不同信息,通過將蘊(yùn)含不同信息的特征融合在一起進(jìn)行融合識(shí)別,有利于小樣本條件下提升SAR圖像目標(biāo)的識(shí)別準(zhǔn)確率。為了更加直觀地展示網(wǎng)絡(luò)訓(xùn)練過程中的細(xì)節(jié)信息,圖6給出了4種小樣本條件下,所提方法和上述3種小樣本學(xué)習(xí)方法訓(xùn)練迭代100次的識(shí)別準(zhǔn)確率變化曲線,其中圖6(a)～圖6(d)分別展示了“5類1樣本”“5類2樣本”“5類5樣本”和“5類10樣本”條件下訓(xùn)練迭代100次的識(shí)別準(zhǔn)確率變化曲線。

表1 小樣本條件下所提方法與其他小樣本學(xué)習(xí)方法 識(shí)別準(zhǔn)確率的結(jié)果比較Table 1 Comparison results of recognition accuracy of the proposed method and other few-shot learning methods in few-shot conditions

圖6 不同小樣本條件下所提方法與其他3種小樣本學(xué)習(xí)方法的識(shí)別準(zhǔn)確率曲線對(duì)比圖Fig.6 Recognition accuracy curve comparison chart of the proposed method and other three few-shot learning methods in different few-shot conditions

觀察圖6可知,相比于其他3種方法,所提方法在4種小樣本條件下均表現(xiàn)出了最好的識(shí)別結(jié)果,尤其是在“5類1樣本”和“5類2樣本”的條件下,所提方法的識(shí)別準(zhǔn)確率較其他3種方法有較大的提高。觀察圖6不難發(fā)現(xiàn),所提方法和其他3種小樣本學(xué)習(xí)方法的識(shí)別準(zhǔn)確率曲線均存在不同程度的震蕩,一種可能的原因是,在實(shí)驗(yàn)中,每次訓(xùn)練都會(huì)重新從MSTAR 10類不同雷達(dá)目標(biāo)中隨機(jī)選擇5類不同的雷達(dá)目標(biāo)進(jìn)行識(shí)別,增加了識(shí)別目標(biāo)的不確定性,導(dǎo)致了4種方法的識(shí)別準(zhǔn)確率都出現(xiàn)了不同程度的震蕩。但是,所提方法識(shí)別準(zhǔn)確率曲線局部震蕩的程度要明顯小于其他3種小樣本學(xué)習(xí)方法識(shí)別準(zhǔn)確率局部震蕩的程度。通過分析所提方法和其他3種方法的網(wǎng)絡(luò)結(jié)構(gòu),造成上述現(xiàn)象的原因可能是所提方法中的權(quán)重門控單元賦予了多尺度特征提取網(wǎng)絡(luò)提取出的不同尺度特征不同的權(quán)重大小,從而實(shí)現(xiàn)了根據(jù)具體的識(shí)別任務(wù)選擇出最具代表性的目標(biāo)特征,從而以該層特征為主導(dǎo)完成目標(biāo)識(shí)別任務(wù)。正是因?yàn)闄?quán)重門控單元的這種特性,使得所提方法在每次訓(xùn)練迭代時(shí)都會(huì)根據(jù)重新選擇的5類不同雷達(dá)目標(biāo)決定不同尺度特征的權(quán)重大小,從而實(shí)現(xiàn)根據(jù)具體的識(shí)別任務(wù)選出最適合當(dāng)前任務(wù)的目標(biāo)特征,進(jìn)而以該層特征為主導(dǎo)完成識(shí)別任務(wù),提升了模型的穩(wěn)定性和泛化性能。

2.4 與其他小樣本SAR目標(biāo)識(shí)別方法進(jìn)行對(duì)比

為驗(yàn)證所提方法的有效性,設(shè)置實(shí)驗(yàn)將兩種小樣本SAR圖像目標(biāo)識(shí)別方法進(jìn)行了對(duì)比,兩種方法分別是基于度量學(xué)習(xí)的小樣本SAR目標(biāo)識(shí)別和基于小樣本學(xué)習(xí)的SAR目標(biāo)識(shí)別,為了更好地體現(xiàn)對(duì)比方法的實(shí)際效果,沒有對(duì)對(duì)比方法中的網(wǎng)絡(luò)結(jié)構(gòu)做任何調(diào)整。在“5類1樣本”“5類2樣本”“5類-5樣本”和“5類10樣本”4種不同小樣本條件下,分別利用所提方法和上述兩種小樣本SAR目標(biāo)識(shí)別方法對(duì)SAR圖像目標(biāo)進(jìn)行了識(shí)別實(shí)驗(yàn),實(shí)驗(yàn)環(huán)境包括支撐集和質(zhì)詢集的劃分方式都與第2.3小節(jié)相同。

表2給出了在“5類1樣本”“5類2樣本”“5類5樣本”和“5類10樣本”4種不同的小樣本條件下,訓(xùn)練迭代100次,所提方法與上述兩種小樣本SAR目標(biāo)識(shí)別方法達(dá)到的最高識(shí)別準(zhǔn)確率。如表2所示,所提方法在上述4種小樣本條件下均實(shí)現(xiàn)了最高的識(shí)別準(zhǔn)確率,尤其是在“5類1樣本”和“5類2樣本”的條件下,所提方法比兩種小樣本SAR目標(biāo)識(shí)別方法識(shí)別準(zhǔn)確率高10%以上；在“5類5樣本”的條件下,所提方法比文獻(xiàn)[38]中的方法識(shí)別準(zhǔn)確率高10%以上；在“5類10樣本”的條件下,所提方法比文獻(xiàn)[35]中的方法識(shí)別準(zhǔn)確率高10%以上?？赡艿脑蚴?，所提方法中的匹配網(wǎng)絡(luò)結(jié)構(gòu)同時(shí)利用了參數(shù)模型能夠提取表征能力強(qiáng)的特征和非參數(shù)模型不需要訓(xùn)練、沒有災(zāi)難性遺忘的優(yōu)點(diǎn),在一定程度上減少了所需的訓(xùn)練樣本數(shù),以及多尺度特征提取模塊能夠提取不同層特征,權(quán)重門控單元能夠根據(jù)不同識(shí)別任務(wù)選擇不同特征進(jìn)行識(shí)別的特點(diǎn),有利于提高小樣本條件下對(duì)SAR圖像目標(biāo)的識(shí)別準(zhǔn)確率。

表2 小樣本條件下所提方法與其他小樣本SAR目標(biāo)識(shí)別方法 識(shí)別準(zhǔn)確率的結(jié)果比較Table 2 Comparison results of recognition accuracy of the proposed method and other few-shot SAR target recognition methods in few-shot conditions

2.5 不同度量函數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響

第2.3節(jié)的實(shí)驗(yàn)將所提方法與其他3種小樣本學(xué)習(xí)方法進(jìn)行了對(duì)比,通過對(duì)比實(shí)驗(yàn)結(jié)果,不難發(fā)現(xiàn)所提方法在“5類1樣本”“5類2樣本”“5類5樣本”和“5類10樣本”4種小樣本條件下,無論是在識(shí)別準(zhǔn)確率方面還是在性能穩(wěn)定性方面,所提方法都取得了最好的結(jié)果。

對(duì)所提方法中的度量函數(shù)進(jìn)行了進(jìn)一步的探討實(shí)驗(yàn)。在所提方法中,采用了余弦相似度度量函數(shù)來匹配質(zhì)詢集中的樣本特征與支撐集中每種類型雷達(dá)目標(biāo)的特征之間的相似度。第2.3節(jié)的實(shí)驗(yàn)結(jié)果表明,采用余弦相似度度量函數(shù)取得了較好的結(jié)果,本節(jié)利用歐式距離替換了原有的余弦相似度度量函數(shù),采用歐式距離來匹配質(zhì)詢集中的樣本特征與支撐集中每種類型雷達(dá)目標(biāo)特征之間的相似度。實(shí)驗(yàn)結(jié)果如表3所示,其中“采用余弦相似度”指的是所提方法采用余弦相似度來度量質(zhì)詢集中樣本特征與支撐集中每種類型雷達(dá)目標(biāo)特征之間的相似度,而“采用歐式距離”是指所提方法采用歐式距離來度量質(zhì)詢集中樣本的特征與支撐集中每種類型雷達(dá)目標(biāo)特征之間的相似度。為了更好地體現(xiàn)不同度量函數(shù)對(duì)實(shí)驗(yàn)結(jié)果帶來的影響,上述兩種方法除了度量函數(shù)不同之外,其余實(shí)驗(yàn)環(huán)境、網(wǎng)絡(luò)結(jié)構(gòu)及網(wǎng)絡(luò)參數(shù)等實(shí)驗(yàn)條件均保持一致。

表3 小樣本條件下所提方法采用不同度量函數(shù)識(shí)別準(zhǔn)確率的 結(jié)果比較Table 3 Comparison of the recognition accuracy results of the proposed method using different metric functions

表3展示了所提方法分別在采用余弦相似度作為度量函數(shù)和采用歐式距離作為度量函數(shù)的情況下,訓(xùn)練迭代100次過程中,采用兩種不同度量函數(shù)的方法分別在“5類1樣本”“5類2樣本”“5類5樣本”和“5類10樣本”4種小樣本條件下取得的最高識(shí)別準(zhǔn)確率。通過觀察表3可以發(fā)現(xiàn),雖然在上述4種小樣本條件下采用余弦相似度的最高識(shí)別準(zhǔn)確率要高于采用歐氏距離的最高識(shí)別準(zhǔn)確率,但是兩者的差距始終在2%以內(nèi)。因此,采用余弦相似度和采用歐式距離作為所提方法的度量函數(shù),對(duì)最終識(shí)別結(jié)果準(zhǔn)確率影響不是很大,不能憑借識(shí)別準(zhǔn)確率來判斷兩種方法的優(yōu)劣。

為了更加直觀地展現(xiàn)在采用兩種不同度量函數(shù)的條件下,所提方法訓(xùn)練迭代過程中的細(xì)節(jié)信息,圖7展示了在“5類1樣本”“5類2樣本”“5類5樣本”和“5類10樣本”4種小樣本條件下,所提方法分別采用余弦相似度和歐氏距離作為度量函數(shù)時(shí),在訓(xùn)練迭代100次過程中對(duì)元測(cè)試集質(zhì)詢集中待測(cè)目標(biāo)的識(shí)別準(zhǔn)確率變化曲線,其中圖7(a)～圖7(d)分別展示了在“5類1樣本”“5類2樣本”“5類5樣本”和“5類10樣本”條件下的識(shí)別準(zhǔn)確率變化曲線。

圖7 所提方法分別采用余弦相似度和歐氏距離作為度量函數(shù)的識(shí)別準(zhǔn)確率變化曲線Fig.7 Recognition accuracy variation curves of the proposed method using cosine similarity and Euclidean distance as the metric function respectively

通過觀察圖7不難發(fā)現(xiàn),所提方法在分別采用余弦相似度和歐式距離作為度量函數(shù)時(shí),識(shí)別準(zhǔn)確率變化曲線比較相近。而且,由于權(quán)重門控單元能夠通過對(duì)多尺度特征提取模塊提取出的不同尺度的特征賦予不同大小的權(quán)重,從而實(shí)現(xiàn)根據(jù)具體識(shí)別任務(wù)選擇出最具代表的目標(biāo)特征,以該層特征為主導(dǎo)完成目標(biāo)識(shí)別任務(wù)的效果,因此在分別采用余弦相似度和歐式距離作為度量函數(shù)時(shí),所提方法的識(shí)別性能都表現(xiàn)出了較好的穩(wěn)定性。

2.6 魯棒性能驗(yàn)證

作者進(jìn)行了加有噪聲的SAR圖像目標(biāo)識(shí)別實(shí)驗(yàn)來驗(yàn)證所提方法在噪聲環(huán)境下的魯棒性。本文分別將信噪比(signal to noise ratio, SNR)為-10 dB, -5 dB, -0 dB, 5 dB和10 dB的高斯白噪聲加到了原始的MSTAR數(shù)據(jù)集中,并分別在“5類1樣本”“5類2樣本”“5類5樣本”和“5類10樣本”4種小樣本條件下進(jìn)行了SAR圖像目標(biāo)識(shí)別實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果展示在表4中。

表4 所提方法對(duì)加有噪聲的SAR圖像的識(shí)別結(jié)果Table 4 Recognition results of the proposed method for SAR images with added noise

3 結(jié) 論

本文提出了一種新的小樣本條件下針對(duì)SAR目標(biāo)進(jìn)行識(shí)別的方法,叫做基于門控多尺度匹配網(wǎng)絡(luò)的小樣本SAR目標(biāo)識(shí)別方法。在本方法中,通過引入多尺度特征提取模塊,用以提取匹配網(wǎng)絡(luò)不同卷積層的多尺度特征,門控單元根據(jù)不同識(shí)別任務(wù)對(duì)不同卷積層的特征設(shè)置不同的權(quán)重,從而實(shí)現(xiàn)根據(jù)具體的識(shí)別任務(wù)選出最適合當(dāng)前任務(wù)的目標(biāo)特征,進(jìn)而以該特征為主導(dǎo)完成識(shí)別任務(wù)。利用MSTAR數(shù)據(jù)集對(duì)所提方法進(jìn)行了實(shí)驗(yàn)驗(yàn)證,通過與3種光學(xué)圖像目標(biāo)識(shí)別領(lǐng)域表現(xiàn)良好的小樣本學(xué)習(xí)方法和兩種小樣本SAR目標(biāo)識(shí)別方法的比較,所提方法表現(xiàn)出了令人滿意的結(jié)果,在識(shí)別準(zhǔn)確率和識(shí)別穩(wěn)定性方面都要優(yōu)于其他方法。在此基礎(chǔ)上,嘗試了利用兩種不同度量函數(shù)作為所提方法中用來度量質(zhì)詢集中樣本特征與支撐集中每類目標(biāo)特征的相似度的探索性實(shí)驗(yàn)。最后,分別在4種小樣本條件下和5種噪聲條件下,驗(yàn)證了所提方法的噪聲魯棒性,實(shí)驗(yàn)結(jié)果表明本文方法在上述條件下具有良好的魯棒性。