基于遷移學(xué)習(xí)的有限SAR樣本目標(biāo)識(shí)別研究綜述

楊 瑩, 朱衛(wèi)綱, 邱琳琳, 李佳芯, 朱霸坤

(航天工程大學(xué),a.研究生院; b.電子與光學(xué)系,北京 101000)

0 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是一種利用脈沖壓縮等信號(hào)處理技術(shù),準(zhǔn)確獲取任務(wù)中目標(biāo)距離向和方位向的高分辨率圖像的主動(dòng)式微波遙感探測(cè)技術(shù)[1-5]。與光學(xué)系統(tǒng)相比,SAR系統(tǒng)成像方式獨(dú)特,圖像易出現(xiàn)相干斑噪聲、幾何畸變、疊掩陰影等現(xiàn)象,且其成像系統(tǒng)對(duì)觀測(cè)參數(shù)極其敏感,目標(biāo)在不同頻率、入射角、俯仰角等情況下的電磁散射特征復(fù)雜各異,這使得SAR圖像解譯成為一項(xiàng)艱難的工程[6]。故而目前公開(kāi)的帶類(lèi)型標(biāo)注的SAR圖像數(shù)據(jù)集甚少,隨著深度學(xué)習(xí)的快速發(fā)展,SAR圖像解譯領(lǐng)域也有了進(jìn)展,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)以能自動(dòng)提取目標(biāo)深層特征的優(yōu)勢(shì),極大地提高了解譯效率,彌補(bǔ)了人工標(biāo)注的低效高成本的缺點(diǎn)。而數(shù)據(jù)量極微的SAR圖像數(shù)據(jù)與深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)特性相悖,這在無(wú)形中制約了CNN在SAR圖像識(shí)別領(lǐng)域的應(yīng)用。

針對(duì)上述SAR目標(biāo)識(shí)別任務(wù)中標(biāo)注樣本不足的問(wèn)題,近年來(lái)國(guó)內(nèi)外涌現(xiàn)出了許多優(yōu)秀算法。文獻(xiàn)[7]提出了全卷積網(wǎng)絡(luò),有效緩解了訓(xùn)練網(wǎng)絡(luò)易過(guò)擬合的情況,在MSTAR數(shù)據(jù)集上進(jìn)行了驗(yàn)證,證明了其分類(lèi)性能優(yōu)于傳統(tǒng)的卷積網(wǎng)絡(luò);文獻(xiàn)[8]結(jié)合SAR成像機(jī)制提出了一種雙流深度網(wǎng)絡(luò)結(jié)構(gòu),通過(guò)利用方位角、幅度和相位信息等SAR領(lǐng)域知識(shí),使其成為SAR車(chē)輛目標(biāo)識(shí)別的一項(xiàng)開(kāi)創(chuàng)性進(jìn)展;文獻(xiàn)[9]提出了一種基于度量學(xué)習(xí)的孿生網(wǎng)絡(luò),以樣本對(duì)的形式輸入訓(xùn)練圖像,顯著增加了數(shù)據(jù)量。盡管以上算法已有顯著成效,但仍然不能完全擺脫對(duì)樣本量的依賴(lài)。文獻(xiàn)[10-11]為了讓訓(xùn)練網(wǎng)絡(luò)脫離樣本量的束縛,將遷移學(xué)習(xí)引入SAR識(shí)別任務(wù),研究表明其經(jīng)過(guò)訓(xùn)練的CNN提取出的特征具有良好的可遷移性;文獻(xiàn)[12]為了避免因數(shù)據(jù)量有限而引起的局部最優(yōu)解現(xiàn)象,將遷移學(xué)習(xí)概念加入到 SAR自動(dòng)目標(biāo)識(shí)別技術(shù)中,在MSTAR數(shù)據(jù)集上進(jìn)行了有效性驗(yàn)證;文獻(xiàn)[13]首次探討了結(jié)合SAR仿真圖像進(jìn)行遷移學(xué)習(xí)的可行性,其結(jié)果表明,利用仿真數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練可加快模型收斂。

綜上所述,遷移學(xué)習(xí)可利用已有的預(yù)訓(xùn)練好的網(wǎng)絡(luò)模型、聯(lián)合仿真數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練解決SAR公開(kāi)數(shù)據(jù)集匱乏限制CNN訓(xùn)練的問(wèn)題。

1 遷移學(xué)習(xí)方法在SAR圖像識(shí)別中的適應(yīng)性分析

遷移學(xué)習(xí)(Transfer Learning)[14]是一種利用從以往任務(wù)中學(xué)得的先驗(yàn)信息快速適應(yīng)新任務(wù)的學(xué)習(xí)方法,其學(xué)習(xí)本質(zhì)為“舉一反三,物盡其用”,力求通過(guò)挖掘源域和目標(biāo)域問(wèn)題共性特征,將源域先驗(yàn)知識(shí)嵌入目標(biāo)域,完成知識(shí)遷移。在遷移學(xué)習(xí)中,通常將數(shù)據(jù)分為源數(shù)據(jù)和目標(biāo)數(shù)據(jù)。源數(shù)據(jù)指與目標(biāo)域新任務(wù)并不直接相關(guān)的數(shù)據(jù),一般數(shù)量巨大;目標(biāo)數(shù)據(jù)是與新任務(wù)直接相關(guān)的數(shù)據(jù),數(shù)據(jù)量較小。遷移學(xué)習(xí)基本分為4種[14],如圖1所示。

4種不同遷移學(xué)習(xí)方式的遷移方案、適用場(chǎng)景、優(yōu)勢(shì)、劣勢(shì)對(duì)比總結(jié)如表1所示[15-17]。由表1可知,基于實(shí)例的遷移學(xué)習(xí)和基于模型的遷移學(xué)習(xí)方法操作方法簡(jiǎn)易,在早期的小樣本SAR學(xué)習(xí)領(lǐng)域得到了大量應(yīng)用[18-21],但是兩者的遷移學(xué)習(xí)效果都依賴(lài)于源域、目標(biāo)域數(shù)據(jù)的空間特征的高相似度,而常被用作源域的光學(xué)遙感領(lǐng)域數(shù)據(jù)和本文所研究的目標(biāo)域SAR域數(shù)據(jù)的特征不在一個(gè)空間內(nèi),兩域數(shù)據(jù)差異大、特征重疊度低,限制遷移效果。而基于關(guān)系的遷移學(xué)習(xí)和基于特征的遷移學(xué)習(xí)方法面對(duì)源域、目標(biāo)域數(shù)據(jù)有差異的情況也可以得到良好的遷移效果,但基于關(guān)系的遷移學(xué)習(xí)方法的遷移過(guò)程依賴(lài)人工調(diào)整參數(shù),訓(xùn)練過(guò)程困難,研究成果甚少,故基于特征的遷移學(xué)習(xí)方法的綜合性能更適用于SAR識(shí)別的遷移任務(wù),本文將重點(diǎn)梳理、總結(jié)基于特征的遷移學(xué)習(xí)在有限SAR樣本的遷移任務(wù)中的應(yīng)用。

表1 不同遷移學(xué)習(xí)方法對(duì)比

2 基于異源遷移學(xué)習(xí)的SAR目標(biāo)識(shí)別應(yīng)用

由上文可知,對(duì)于異源數(shù)據(jù)的圖像識(shí)別任務(wù),基于特征的遷移學(xué)習(xí)是一種很有針對(duì)性的方法,目前常使用 VGG,Inception,Resnet,AlexNet等CNN作為嵌入網(wǎng)絡(luò)進(jìn)行遷移微調(diào),不同的微調(diào)策略訓(xùn)練出來(lái)的 CNN 網(wǎng)絡(luò)模型的性能也不盡相同,近年來(lái),基于不同CNN、不同微調(diào)策略的遷移學(xué)習(xí)模型在SAR識(shí)別任務(wù)中的應(yīng)用整理如表2所示。

針對(duì)異源數(shù)據(jù)的分類(lèi)問(wèn)題,文獻(xiàn)[22]曾在ImageNet上使用一個(gè)預(yù)訓(xùn)練的網(wǎng)絡(luò)(AlexNet[23])對(duì)SAR圖像中的冰和水進(jìn)行分類(lèi),取得了良好的效果,實(shí)驗(yàn)表明基于CNN的遷移學(xué)習(xí)應(yīng)用于異源數(shù)據(jù)圖像分類(lèi)任務(wù)中是可行的。文獻(xiàn)[24]針對(duì)SAR艦船目標(biāo)樣本量有限所引起的過(guò)擬合與局部最優(yōu)問(wèn)題,提出了基于VGG16網(wǎng)絡(luò)的遷移學(xué)習(xí)識(shí)別算法,其利用TerraSAR數(shù)據(jù)庫(kù)在基于ImageNet 數(shù)據(jù)集的VGG預(yù)訓(xùn)練模型上進(jìn)行了參數(shù)微調(diào),使其適應(yīng)目標(biāo)數(shù)據(jù)集,目標(biāo)數(shù)據(jù)測(cè)試評(píng)估結(jié)果表明該方法優(yōu)于傳統(tǒng)識(shí)別方法。文獻(xiàn)[25]引入單樣本學(xué)習(xí)方法,將特征遷移與原型網(wǎng)絡(luò)結(jié)合提出一種基于VGG16的特殊SAR目標(biāo)識(shí)別算法,解決了非合作目標(biāo)雷達(dá)訓(xùn)練樣本極少情況下的雷達(dá)識(shí)別問(wèn)題,在MSTAR數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn),結(jié)果表明,所提方法在目標(biāo)域訓(xùn)練樣本極少的情況下比深度遷移學(xué)習(xí)有更高的準(zhǔn)確率。

表2 基于異源遷移學(xué)習(xí)的SAR識(shí)別應(yīng)用

由于衛(wèi)星獲取的大量高分辨率SAR土地覆蓋圖像欠缺專(zhuān)業(yè)的樣本標(biāo)注,且電磁成像機(jī)制復(fù)雜、又易受成像角度等外界因素影響,其分類(lèi)是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。針對(duì)此問(wèn)題,文獻(xiàn)[26]提出了一種基于光學(xué)土地覆蓋數(shù)據(jù)集(NWPU-RESISC45)的深度遷移學(xué)習(xí)方法,并引入了一個(gè)平滑損失函數(shù),解決了標(biāo)簽失誤和類(lèi)別不平衡的問(wèn)題,其在TerraSAR-X數(shù)據(jù)庫(kù)上的識(shí)別準(zhǔn)確率為95.36%。且此算法對(duì)其他SAR任務(wù)具有良好的泛化性,如在MSTAR數(shù)據(jù)集中的分類(lèi)精度也可高達(dá)99.46%。針對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)的SAR目標(biāo)識(shí)別算法準(zhǔn)確率低且耗時(shí)久的問(wèn)題,文獻(xiàn)[27]采用ImageNet 數(shù)據(jù)集上預(yù)訓(xùn)練VGG16模型作為遷移,證明所提方法的目標(biāo)識(shí)別準(zhǔn)確率提高到了94.40%,優(yōu)于現(xiàn)有VGG16算法和遷移 LENET方法。文獻(xiàn)[28]提出了基于全卷積網(wǎng)絡(luò)(A-ConvNets)的遷移學(xué)習(xí)算法。首先,在ImageNet數(shù)據(jù)集上的預(yù)訓(xùn)練模型基礎(chǔ)上添加一個(gè)新的卷積層和池化層,然后對(duì)其新網(wǎng)絡(luò)進(jìn)行微調(diào),最后,進(jìn)行網(wǎng)絡(luò)剪枝操作以壓縮模型。與全卷積網(wǎng)絡(luò)相比,所提方法速度提升約3.6倍,參數(shù)壓縮至原來(lái)的27%,識(shí)別準(zhǔn)確率達(dá)到97.71%。

由于光學(xué)圖像特性與SAR圖像特性在成像原理、對(duì)外界條件(角度、頻率)敏感度等方面存在較大差異,將光學(xué)數(shù)據(jù)集上預(yù)訓(xùn)練的網(wǎng)絡(luò)遷移到SAR識(shí)別任務(wù)是一種跨領(lǐng)域的遷移方法,不斷有學(xué)者提出將自適應(yīng)相關(guān)層加入到網(wǎng)絡(luò)中來(lái)解決跨領(lǐng)域遷移問(wèn)題。文獻(xiàn)[29]提出了一種添加自適應(yīng)層的遷移學(xué)習(xí)識(shí)別算法,如圖2所示。其首先利用 CIFAR-10 進(jìn)行預(yù)訓(xùn)練,保留網(wǎng)絡(luò)中間7層作為SAR識(shí)別的特征提取層,丟棄末層并添加自適應(yīng)層進(jìn)行優(yōu)化訓(xùn)練,該分類(lèi)算法已在TerraSAR測(cè)試集上取得了成效。文獻(xiàn)[30]提出了一種基于多核最大平均差異(MK-MMD)的多數(shù)據(jù)源傳遞式自適應(yīng)遷移學(xué)習(xí)模型,通過(guò)在保留固定特征層的前提下對(duì)多種數(shù)據(jù)源進(jìn)行網(wǎng)絡(luò)訓(xùn)練,對(duì)比其異源網(wǎng)絡(luò)訓(xùn)練性能以更新網(wǎng)絡(luò)的自適應(yīng)層,具體流程如圖3所示,在OpenSARShip數(shù)據(jù)集上驗(yàn)證了其有效性,結(jié)果表明,可以將多源數(shù)據(jù)引入預(yù)訓(xùn)練網(wǎng)絡(luò)并加入自適應(yīng)層進(jìn)行網(wǎng)絡(luò)微調(diào),從而完成識(shí)別任務(wù)。

圖3 基于多源數(shù)據(jù)的遷移學(xué)習(xí)網(wǎng)絡(luò)模型

文獻(xiàn)[31]提出了一種鑒別性自適應(yīng)正則化遷移學(xué)習(xí)算法框架(Discriminative Adaptation Regularization Transfer Learning,D-ARTL),其在ARTL的一般框架中加入一個(gè)新的正則化項(xiàng)SDIP用以保留源域中標(biāo)記數(shù)據(jù)的鑒別信息,SDIP的加入進(jìn)一步提高了分類(lèi)器的性能。本文實(shí)驗(yàn)以艦船自動(dòng)識(shí)別系統(tǒng)(AIS)作為源域信息,以SAR為目標(biāo)域信息進(jìn)行網(wǎng)絡(luò)訓(xùn)練,經(jīng)過(guò)對(duì)比發(fā)現(xiàn),D-ARTL通過(guò)遷移AIS信息至SAR識(shí)別系統(tǒng)在SAR圖像中的船舶識(shí)別算法中優(yōu)于大多數(shù)方法,實(shí)現(xiàn)了從源域到目標(biāo)域的有效一致跨域遷移。

研究發(fā)現(xiàn),大部分基于特征的遷移學(xué)習(xí)算法都是在光學(xué)領(lǐng)域大規(guī)模采用ImageNet數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練,使網(wǎng)絡(luò)可以學(xué)習(xí)到很多圖像的基本通用特征,在遷移學(xué)習(xí)中,源域與目標(biāo)域的相似度與遷移效果直接相關(guān),但是光學(xué)數(shù)據(jù)集的特征中并不包含SAR圖像所獨(dú)有的散射特性,故其相似度低。為增強(qiáng)兩域的相似度,可以在預(yù)訓(xùn)練好的網(wǎng)絡(luò)中加入少量目標(biāo)域數(shù)據(jù)來(lái)進(jìn)行參數(shù)微調(diào)的同時(shí)添加自適應(yīng)相關(guān)層,從而降低不同域圖像之間的差異,間接提高網(wǎng)絡(luò)與目標(biāo)域數(shù)據(jù)的適配性,這也是其與基于模型的遷移學(xué)習(xí)算法的最大不同。

3 基于同源遷移學(xué)習(xí)的SAR目標(biāo)識(shí)別應(yīng)用

在從光學(xué)領(lǐng)域預(yù)訓(xùn)練的網(wǎng)絡(luò)遷移到SAR識(shí)別任務(wù)的過(guò)程中,如上文所述會(huì)出現(xiàn)跨領(lǐng)域遷移問(wèn)題,雖然在基于特征的遷移學(xué)習(xí)中加入自適應(yīng)層可以緩解此問(wèn)題,但異源數(shù)據(jù)引起的難題并未完全解決,為了減弱這種異源數(shù)據(jù)的類(lèi)間距離,研究歸納近年來(lái)基于同源數(shù)據(jù)的遷移學(xué)習(xí)算法,如表3所示。

為了解決跨領(lǐng)域遷移問(wèn)題,文獻(xiàn)[32]通過(guò)討論遷移學(xué)習(xí)中的遷移什么、遷移到哪、如何遷移三大問(wèn)題,提出了一種結(jié)合多源數(shù)據(jù)的領(lǐng)域自適應(yīng)遷移學(xué)習(xí)的目標(biāo)識(shí)別方法,以減小源數(shù)據(jù)與SAR目標(biāo)之間的空間特性差異。通過(guò)OpenSARShip數(shù)據(jù)集驗(yàn)證該算法的有效性,經(jīng)MSTAR數(shù)據(jù)集預(yù)訓(xùn)練過(guò)的網(wǎng)絡(luò)最終獲得的識(shí)別準(zhǔn)確率達(dá)到87.57%。針對(duì)海洋監(jiān)視系統(tǒng)中船舶識(shí)別工作,文獻(xiàn)[33]提出一個(gè)基于類(lèi)VGG網(wǎng)絡(luò)模型遷移學(xué)習(xí)的SAR艦船識(shí)別算法,首先將MSTAR數(shù)據(jù)對(duì)所搭建的類(lèi)VGG網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練,其次基于從源識(shí)別任務(wù)中獲得的知識(shí),以識(shí)別OpenSARShip數(shù)據(jù)庫(kù)中的3種類(lèi)型的船只,實(shí)驗(yàn)結(jié)果表明該方法可以明顯提高識(shí)別率。實(shí)驗(yàn)探索了應(yīng)用轉(zhuǎn)移學(xué)習(xí)的影響,在OpenSARShip數(shù)據(jù)集上獲得了77.63%的VH通道數(shù)據(jù)集(79.12%的VV通道數(shù)據(jù)集)的識(shí)別準(zhǔn)確率,在其他遙感任務(wù)中泛化性強(qiáng),在SAR圖像分類(lèi)中具有很大的潛力。文獻(xiàn)[34]也在實(shí)驗(yàn)中證明從仿真SAR數(shù)據(jù)集學(xué)到的特征信息可以遷移到真實(shí)的SAR數(shù)據(jù)場(chǎng)景中,證明采用同源圖像數(shù)據(jù)集中訓(xùn)練的網(wǎng)絡(luò)模型也可以進(jìn)行遷移學(xué)習(xí)。

表3 基于同源遷移學(xué)習(xí)的SAR識(shí)別應(yīng)用

由上文可知,自適應(yīng)網(wǎng)絡(luò)層的加入可以增強(qiáng)網(wǎng)絡(luò)的遷移性能,而基于同源數(shù)據(jù)的網(wǎng)絡(luò)遷移模型可以基本解決數(shù)據(jù)的領(lǐng)域跨度問(wèn)題,故聯(lián)合自適應(yīng)網(wǎng)絡(luò)層與基于同源數(shù)據(jù)的網(wǎng)絡(luò)遷移成為可能,文獻(xiàn)[35]中引入遷移學(xué)習(xí)的同時(shí)觀察到非同源數(shù)據(jù)的遷移會(huì)帶來(lái)一定的局限性,針對(duì)遷移過(guò)程中存在的領(lǐng)域漂移及目標(biāo)類(lèi)別不一致問(wèn)題,提出領(lǐng)域自適應(yīng)度量學(xué)習(xí)網(wǎng)絡(luò),如圖4所示。

圖4 基于領(lǐng)域自適應(yīng)的遷移學(xué)習(xí)架構(gòu)

在網(wǎng)絡(luò)訓(xùn)練的過(guò)程中,利用某仿真 SAR 數(shù)據(jù)集進(jìn)行同源數(shù)據(jù)的遷移學(xué)習(xí),經(jīng)過(guò)SOC 條件下的MSTAR數(shù)據(jù)集驗(yàn)證,其 50 張訓(xùn)練樣本識(shí)別準(zhǔn)確率為70%,全樣本訓(xùn)練識(shí)別準(zhǔn)確率為97.81%,證明了聯(lián)合兩者所提算法的優(yōu)越性。

文獻(xiàn)[36]提出了一種基于結(jié)合域?qū)褂?xùn)練和元學(xué)習(xí)(Meta-Learning)的算法模型,為緩解數(shù)據(jù)不足的問(wèn)題,首先引入了大量仿真數(shù)據(jù)對(duì)網(wǎng)絡(luò)預(yù)訓(xùn)練,再使用少量帶標(biāo)簽的真實(shí)MSTAR數(shù)據(jù)進(jìn)行微調(diào),最終得到98.50%的識(shí)別準(zhǔn)確率,所提出的模型實(shí)現(xiàn)了跨域和跨任務(wù)的遷移學(xué)習(xí)。與傳統(tǒng)識(shí)別方法相比,可以用少量的訓(xùn)練數(shù)據(jù)達(dá)到更好的識(shí)別性能。

近兩年來(lái),基于同源數(shù)據(jù)的遷移學(xué)習(xí)研究成為SAR目標(biāo)識(shí)別任務(wù)的熱點(diǎn)之一,其使用與目標(biāo)源空間距離差別甚小的相關(guān)類(lèi)源數(shù)據(jù)替代上文中被作為遷移源數(shù)據(jù)的光學(xué)遙感數(shù)據(jù)集對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,縮小了目標(biāo)數(shù)據(jù)與源數(shù)據(jù)的類(lèi)內(nèi)差距,從根源上解決源域和目標(biāo)域數(shù)據(jù)分布不一致問(wèn)題。

4 研究展望

SAR目標(biāo)識(shí)別算法的研究對(duì)SAR圖像解譯領(lǐng)域具有重要應(yīng)用價(jià)值?；谏疃葘W(xué)習(xí)的SAR識(shí)別算法可以解決人工標(biāo)注帶來(lái)的高成本、低效率問(wèn)題,使識(shí)別與標(biāo)注變得快速、高效、智能?？捎糜谟?xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)的帶類(lèi)型信息標(biāo)注的SAR圖像樣本量甚少,這無(wú)疑限制了其算法的效能,而遷移學(xué)習(xí)可以攻破深度學(xué)習(xí)數(shù)據(jù)驅(qū)動(dòng)的限制,許多學(xué)者已將遷移學(xué)習(xí)算法廣泛應(yīng)用于SAR目標(biāo)識(shí)別任務(wù),識(shí)別的性能有了顯著提升,可仍存在下述幾個(gè)問(wèn)題亟待解決。

1) 同源遷移數(shù)據(jù)SAR真實(shí)樣本缺乏。由于帶有類(lèi)型信息標(biāo)注的真實(shí)SAR數(shù)據(jù)有限,很多研究者已利用仿真的SAR圖像樣本來(lái)支撐真實(shí)樣本的分類(lèi)任務(wù)。由第3章討論可知,基于同源數(shù)據(jù)的遷移學(xué)習(xí)方法大多以人工構(gòu)建的SAR仿真數(shù)據(jù)庫(kù)為源數(shù)據(jù)。顯然,雷達(dá)仿真數(shù)據(jù)與真實(shí)數(shù)據(jù)的類(lèi)內(nèi)間距小于光學(xué)圖像與雷達(dá)圖像間的差距,而關(guān)于SAR圖像仿真數(shù)據(jù)的指標(biāo)評(píng)價(jià)體系尚不完善,因此研究建立統(tǒng)一標(biāo)準(zhǔn)的SAR圖像仿真評(píng)價(jià)體系將是SAR仿真領(lǐng)域未來(lái)的研究重點(diǎn)。

2) 遷移網(wǎng)絡(luò)普適性差。近年來(lái)基于特征遷移學(xué)習(xí)的不同SAR識(shí)別研究實(shí)驗(yàn)效果甚佳,研究發(fā)現(xiàn)識(shí)別性能與預(yù)訓(xùn)練網(wǎng)絡(luò)模型以及微調(diào)策略有著密不可分的關(guān)系,針對(duì)圖像的多尺度特征通過(guò)微調(diào)不同的網(wǎng)絡(luò)層而學(xué)習(xí)SAR圖像特征。但其存在一定局限性,根據(jù)不同遷移策略對(duì)不同CNN架構(gòu)、不同CNN層進(jìn)行微調(diào),而學(xué)習(xí)得到的特征其價(jià)值不盡相同。研究針對(duì)不同目標(biāo)域圖像的特點(diǎn)設(shè)計(jì)了不同的預(yù)訓(xùn)練網(wǎng)絡(luò)模型,這些模型的選取及后續(xù)微調(diào)策略的設(shè)置均沒(méi)有統(tǒng)一的衡量標(biāo)準(zhǔn),不具有一般普遍適應(yīng)性,且模型的精度提升緩慢,不利于遷移學(xué)習(xí)在SAR識(shí)別領(lǐng)域的發(fā)展。可以參考光學(xué)領(lǐng)域的Imagenet數(shù)據(jù)集,構(gòu)建一個(gè)多目標(biāo)SAR數(shù)據(jù)庫(kù)用以訓(xùn)練遷移網(wǎng)絡(luò),以增強(qiáng)SAR域卷積神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練網(wǎng)絡(luò)的可遷移性。研究具有一般性與普適性的遷移學(xué)習(xí)框架和預(yù)訓(xùn)練模型,應(yīng)該是未來(lái)需要關(guān)注和進(jìn)一步研究的方向。

5 結(jié)束語(yǔ)

深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺(jué)方面取得了顯著的成果,但帶有類(lèi)型信息標(biāo)注的SAR圖像樣本量少,阻礙了深度學(xué)習(xí)在雷達(dá)圖像領(lǐng)域的應(yīng)用發(fā)展。近年來(lái)一些研究利用遷移學(xué)習(xí)緩解SAR樣本不足的窘境,使得基于遷移學(xué)習(xí)的SAR識(shí)別任務(wù)取得了一定成果。本文對(duì)這些研究進(jìn)行了梳理歸納,驗(yàn)證了遷移學(xué)習(xí)在SAR識(shí)別領(lǐng)域的有效性,分析了研究中存在的不足,并對(duì)未來(lái)發(fā)展方向進(jìn)行展望。綜上,遷移學(xué)習(xí)對(duì)于解決SAR圖像樣本有限問(wèn)題是一種有效的途徑,但仍有一些問(wèn)題需要進(jìn)一步研究、探索和解決。