嵌入注意力機(jī)制的深度可分離卷積ＳＡＲ 目標(biāo)識(shí)別

摘 要：深度可分離卷積（Ｄｅｐｔｈｗｉｓｅ Ｓｅｐａｒａｂｌｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＤＳＣ） 的應(yīng)用使得深度學(xué)習(xí)的網(wǎng)絡(luò)模型輕量化。在此基礎(chǔ)上，提出了嵌入注意力機(jī)制的ＤＳＣ 合成孔徑雷達(dá)（Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ，ＳＡＲ） 目標(biāo)識(shí)別方法。通過將ＤＳＣ 與注意力機(jī)制結(jié)合，提高網(wǎng)絡(luò)對(duì)目標(biāo)重要特征的學(xué)習(xí)能力；將多個(gè)ＤＳＣ 進(jìn)行疊加和并聯(lián)，設(shè)計(jì)多尺度網(wǎng)絡(luò)模塊，增強(qiáng)不同深度網(wǎng)絡(luò)的特征提取能力；通過殘差連接緩解深層網(wǎng)絡(luò)的梯度彌散和梯度爆炸問題。使用公開數(shù)據(jù)集實(shí)驗(yàn)表明，所提方法在網(wǎng)絡(luò)模型參數(shù)量較小的情況下，獲得９９． ０％ 的平均識(shí)別率，具有較強(qiáng)的識(shí)別優(yōu)勢。

關(guān)鍵詞：合成孔徑雷達(dá)；目標(biāo)識(shí)別；深度可分離卷積；注意力機(jī)制

中圖分類號(hào)：ＴＮ９５７ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０５－１０８３－０８

０ 引言

合成孔徑雷達(dá)（Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ，ＳＡＲ）能夠發(fā)射微波信號(hào)，通過相干機(jī)制完成既定成像任務(wù)，其不受雨、雪、霧、霾等復(fù)雜天氣影響，具有全天時(shí)、全天候的成像優(yōu)勢，在軍事、農(nóng)業(yè)、環(huán)境、氣候等領(lǐng)域得到廣泛應(yīng)用，是一種重要的探測手段［１－３］；其中ＳＡＲ 圖像自動(dòng)目標(biāo)識(shí)別（Ａｕｔｏｍａｔｉｃ Ｔａｒｇｅｔ Ｒｅｃｏｇ-ｎｉｔｉｏｎ，ＡＴＲ）作為關(guān)鍵技術(shù)之一，自２０ 世紀(jì)以來持續(xù)得到重點(diǎn)關(guān)注和研究［４］。

ＡＴＲ 主要目的是確定目標(biāo)類別，最初主要采用“特征提?。诸惼髟O(shè)計(jì)”的模型識(shí)別框架。特征提取包括如散射點(diǎn)分布特征、投影變換特征和紋理特征等［５－６］；分類器設(shè)計(jì)包括支持向量機(jī)、稀疏表示分類等［７－８］。隨著深度學(xué)習(xí)的迅猛發(fā)展，鑒于其強(qiáng)大的自動(dòng)特征提取與分類性能，顯著提升了ＡＴＲ 技術(shù)的性能［９－１０］，其中卷積神經(jīng)網(wǎng)絡(luò)（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）更是在ＡＴＲ 領(lǐng)域成為研究熱點(diǎn)。文獻(xiàn)［１１］使用卷積層代替全連接層，并擴(kuò)充數(shù)據(jù)集獲得了９９％ 的識(shí)別率。文獻(xiàn)［１２］利用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)增數(shù)據(jù)集，通過零相位成分分析預(yù)先提出目標(biāo)特征，將該特征集再送入卷積網(wǎng)絡(luò)中，整體識(shí)別率達(dá)到９８． ４７％ 。從上述文獻(xiàn)可以看出，由于深度學(xué)習(xí)模型是依靠數(shù)據(jù)驅(qū)動(dòng)，其性能好壞較為依賴數(shù)據(jù)規(guī)模，因此往往會(huì)在原有數(shù)據(jù)集基礎(chǔ)上進(jìn)行擴(kuò)增，從而保證網(wǎng)絡(luò)能夠充分得到學(xué)習(xí)訓(xùn)練。有文獻(xiàn)在不擴(kuò)充數(shù)據(jù)樣本前提下，通過改進(jìn)網(wǎng)絡(luò)模型結(jié)構(gòu)或遷移學(xué)習(xí)等方法，依然能夠取得較高的識(shí)別率［１３－１４］。文獻(xiàn)［１３］使用改進(jìn)的自編碼器網(wǎng)絡(luò)初始化網(wǎng)絡(luò)參數(shù)，再將參數(shù)移植到全ＣＮＮ 中進(jìn)行訓(xùn)練，在不擴(kuò)充訓(xùn)練樣本情況下，平均準(zhǔn)確率為９８． １４％ 。文獻(xiàn)［１４］針對(duì)ＳＡＲ 圖像特點(diǎn)設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)，采用Ｌ２范數(shù)作為代價(jià)函數(shù)以及使用Ｄｒｏｐｏｕｔ 提高泛化性，在原有數(shù)據(jù)集樣本中實(shí)現(xiàn)了９８． １０％ 的識(shí)別率。

隨著ＣＮＮ 向更深、更寬發(fā)展，同時(shí)帶來的梯度彌散和梯度爆炸問題阻礙了模型訓(xùn)練效果，２０１６ 年Ｈｅ 等［１５］提出的深度殘差網(wǎng)絡(luò)（Ｄｅｅｐ Ｒｅｓｉｄｕａｌ Ｎｅｔ-ｗｏｒｋｓ，ＲｅｓＮｅｔｓ）有效地緩解了該問題，ＳＡＲ 圖像識(shí)別領(lǐng)域借鑒該模型也提出了許多優(yōu)秀的識(shí)別方法［１６－１８］。然而隨著卷積層數(shù)量的進(jìn)一步增加，參數(shù)量、計(jì)算量也隨之增加，使得模型學(xué)習(xí)訓(xùn)練效率大大降低，對(duì)運(yùn)行硬件的要求也大幅提高。因此輕量化網(wǎng)絡(luò)結(jié)構(gòu)被設(shè)計(jì)出來，其中深度可分離卷積（ＤｅｐｔｈｗｉｓｅＳｅｐａｒａｂｌｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＤＳＣ）［１９］是較為流行的一種輕量化網(wǎng)絡(luò)，其本質(zhì)是將冗余信息進(jìn)行更少的稀疏化表達(dá)［２０］，很大程度上提升了模型的推理速度。

綜上，為了實(shí)現(xiàn)網(wǎng)絡(luò)輕量化以及增加網(wǎng)絡(luò)深度的同時(shí)保持良好的特征提取能力，提出了嵌入注意力機(jī)制的ＤＳＣ 識(shí)別方法。首先將不同數(shù)量的ＤＳＣ進(jìn)行疊加產(chǎn)生多個(gè)支路，形成多尺度效應(yīng)，用來增強(qiáng)淺層網(wǎng)絡(luò)的特征提取能力；然后在每條支路上加入注意力機(jī)制模塊，提高網(wǎng)絡(luò)對(duì)目標(biāo)重要特征的學(xué)習(xí)能力；最后通過殘差連接各個(gè)支路和輸入組成新的網(wǎng)絡(luò)模塊。利用該網(wǎng)絡(luò)模塊設(shè)計(jì)了２０ 層網(wǎng)絡(luò)模型，實(shí)驗(yàn)使用Ｍｏｖｉｎｇ ａｎｄ Ｓｔａｔｉｏｎａｒｙ Ｔａｒｇｅｔ Ａｃｑｕｉｓｉｔｉｏｎａｎｄ Ｒｅｃｏｇｎｉｔｉｏｎ（ＭＳＴＡＲ）數(shù)據(jù)集，在不增強(qiáng)數(shù)據(jù)情況下，對(duì)１０ 類目標(biāo)型號(hào)識(shí)別率達(dá)到９９． ０％ ，相比于近年識(shí)別方法有著較強(qiáng)的優(yōu)勢。

１ 注意力機(jī)制

注意力機(jī)制最早應(yīng)用于圖像領(lǐng)域，通常解釋為模仿人類在觀察整體環(huán)境時(shí)，專注于自己感興趣的事物而忽視其他無關(guān)事物的特征，因此在網(wǎng)絡(luò)中引入注意力機(jī)制，理論上能夠增強(qiáng)識(shí)別目標(biāo)特征的權(quán)重，即對(duì)圖像中關(guān)鍵信息提高關(guān)注度，濾除無關(guān)或不重要的信息，從而提高網(wǎng)絡(luò)的學(xué)習(xí)效率。

在眾多注意力機(jī)制模型中，Ｓｕｑｅｅｚｅ-ａｎｄ-Ｅｘｃｉｔａｔｉｏｎ Ｍｏｄｕｌｅ（ＳＥ）注意力機(jī)制［２１］自２０１７ 年被提出后經(jīng)常運(yùn)用在圖像分類、檢測、分割等領(lǐng)域。ＳＥ 模塊由壓縮部分（Ｓｑｕｅｅｚｅ ）和激勵(lì)部分（Ｅｘｃｉｔａｔｉｏｎ）組成，如圖１ 所示，其目的是通過一個(gè)權(quán)重矩陣，從通道域角度賦予圖像不同位置不同的權(quán)重，得到更重要的特征信息。壓縮部分將特征圖通過全局平均池化的方式，生成一個(gè)１ ×１ ×Ｃ 的向量，如式（１）所示，使每個(gè)通道都用一個(gè)數(shù)值表示，實(shí)現(xiàn)對(duì)特征圖Ｕ 全局低維壓縮，每個(gè)通道的值相當(dāng)于獲得之前一個(gè)Ｈ×Ｗ 全局感受野。

激勵(lì)部分則通過２ 層全連接層完成，如式（２）所示。通過全連接層的Ｗ１ 、Ｗ２ 對(duì)向量ｚ 進(jìn)行處理，得到通道權(quán)重值ｓ，其中不同數(shù)值表示對(duì)應(yīng)通道的權(quán)重信息，賦予通道不同權(quán)重。

ｓ ＝ Ｆｅｘ（ｚ，Ｗ） ＝ σ（Ｗ２ δ（Ｗ１ ｚ））， （２）

式中：σ 表示Ｓｉｇｍｏｄ 激活函數(shù)，δ 表示ＲｅＬＵ 激活函數(shù)。

２ 層全連接層之間存在一個(gè)超參數(shù)ｒ，向量ｚ 經(jīng)過第一層全連接層后維度由１×１×Ｃ 變?yōu)椋薄粒薄粒?／ ｒ，經(jīng)過第二次全連接層后維度變回１×１×Ｃ，一般默認(rèn)ｒ ＝ １６。

將權(quán)重向量ｓ 對(duì)特征圖Ｕ 進(jìn)行權(quán)重賦值，即將向量ｓ 與特征圖Ｕ 對(duì)應(yīng)通道相乘，得到壓縮激勵(lì)后的特征圖Ｘ ～ ：

Ｘ～ ＝ Ｆｓｃａｌｅ（ｕｃ ，ｓｃ ） ＝ ｓｃ ｕｃ 。（３）

２ ＤＳＣ

ＤＳＣ 的主要思路是將普通卷積操作分解為２ 個(gè)過程：深度卷積（Ｄｅｐｔｈｗｉｓｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＤＷ）和點(diǎn)卷積（Ｐｏｉｎｔｗｉｓｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＰＷ），結(jié)構(gòu)如圖２ 所示。其基本原理是首先使用ＤＷ 對(duì)每個(gè)輸入通道（輸入特征圖的深度）執(zhí)行單個(gè)濾波器卷積；然后使用ＰＷ（１×１ 卷積）用來創(chuàng)建逐ＤＷ 層的線性組合。假設(shè)輸入的特征圖通道為Ｎ，ＤＷ 對(duì)Ｎ 個(gè)通道的特征圖分別使用一個(gè)卷積核，且卷積核數(shù)量和特征圖通道數(shù)一致，所以經(jīng)過ＤＷ 得到Ｎ 個(gè)通道的特征圖；ＰＷ實(shí)際是１×１ 卷積，使用Ｍ 個(gè)１×１ 卷積核對(duì)ＤＷ 處理后的特征圖進(jìn)行卷積，最終得到Ｍ 個(gè)通道的特征圖。ＤＳＣ 對(duì)２ 層卷積層都使用了批量正則化（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ ，ＢＮ）和線性整流函數(shù)（ＲｅＬＵ）作為非線性激活函數(shù)。

應(yīng)用ＤＳＣ 最主要的目的在于減少參數(shù)量，從整體上輕量化網(wǎng)絡(luò)模型。以使用３×３ 卷積核為例，對(duì)于輸入長、寬和通道數(shù)為Ｈ ×Ｗ ×Ｎ 的特征圖，經(jīng)過３×３ 卷積核的ＤＷ 以及Ｎ 個(gè)卷積核的ＰＷ，參數(shù)量為Ｈ×Ｗ×Ｃ×３×３＋Ｈ×Ｗ×Ｃ×Ｎ，而經(jīng)過３×３ 卷積核的標(biāo)準(zhǔn)卷積運(yùn)算，參數(shù)量為Ｈ×Ｗ×Ｃ×３ ×３ ×Ｎ，二者相比（如式（４）所示），參數(shù)量減少了近１ ／ ９，從而達(dá)到提高訓(xùn)練速度的目的。

３ 嵌入注意力機(jī)制的ＤＳＣ 識(shí)別框架

３． １ 嵌入注意力機(jī)制的深度可分離模塊

本文提出的嵌入注意力機(jī)制的ＤＳＣ 網(wǎng)絡(luò)，主要將ＤＳＣ 模塊與ＳＥ 模塊結(jié)合在一起，減少參數(shù)量的同時(shí)提高重要特征權(quán)重，剔除冗余特征，增強(qiáng)特征提取的有效性；加入殘差連接，相當(dāng)于對(duì)該模塊加入一個(gè)恒等映射，當(dāng)某一層網(wǎng)絡(luò)對(duì)特征提取效果較差時(shí)，可通過該連接直接跳過進(jìn)入下一次網(wǎng)絡(luò)訓(xùn)練，因此添加的新網(wǎng)絡(luò)層至少不會(huì)使效果比原來差，可以較為穩(wěn)定地通過加深層數(shù)來提高模型的效果，同時(shí)避免出現(xiàn)梯度彌散的問題。為了增強(qiáng)模型對(duì)淺層網(wǎng)絡(luò)的特征提取能力，實(shí)現(xiàn)多尺度特征提取的同時(shí)避免尺寸大的卷積核增加參數(shù)量，利用２ 層ＤＳＣ 的疊加代替５×５ 的卷積核，利用３ 層ＤＳＣ 的疊加代替７×７ 的卷積核，因此將只有１ 個(gè)ＤＳＣ 的模塊結(jié)構(gòu)稱為Ｒｅｓ-ＳｅＤＳＣ，有２ 個(gè)不同尺度ＤＳＣ 的模塊結(jié)構(gòu)稱為Ｒｅｓ-Ｓｅ２ＤＳＣ，有３ 個(gè)不同尺寸ＤＳＣ 的模塊結(jié)構(gòu)稱為Ｒｅｓ-Ｓｅ３ＤＳＣ，如圖３ 所示。

３． ２ 嵌入注意力機(jī)制的ＤＳＣ 識(shí)別框架

本文設(shè)計(jì)了２０ 層網(wǎng)絡(luò)架構(gòu)，如圖４ 所示。使用３×３ 卷積核進(jìn)行標(biāo)準(zhǔn)卷積運(yùn)算，經(jīng)過ＢＮ、ＲｅＬＵ 后，共使用１７ 個(gè)不同尺度的Ｒｅｓ-ＳｅＤＳＣ 模塊，經(jīng)過一層全局平均池化層和一層全連接層，輸出識(shí)別類別，因此組成的識(shí)別模型稱為Ｒｅｓ-ＳｅＸＤＳＣｎｅｔ。具體網(wǎng)絡(luò)層參數(shù)如表１ 所示。

在特征圖尺寸減小一半時(shí)，卷積的步長選擇２，相當(dāng)于一次下采樣；在特征圖尺寸不變時(shí)，卷積的步長選擇１。隨著特征圖尺寸減小，Ｒｅｓ-ＳｅＸＤＳＣ 模型使用的尺度也隨之減少，主要是因?yàn)樵跍\層網(wǎng)絡(luò)中特征圖像素還較高，大尺度可充分提取不同深度的特征信息，而在低像素下感受野減小，大尺度提取到的信息效果差，從而降低網(wǎng)絡(luò)學(xué)習(xí)性能。同時(shí)，網(wǎng)絡(luò)采用負(fù)對(duì)數(shù)似然（Ｎｅｇａｔｉｖｅ Ｌｏｇ-Ｌｉｋｅｌｉｈｏｏｄ，ＮＬＬ）損失函數(shù)以及Ａｄａｐｔｉｖｅ Ｍｏｍｅｎｔ Ｅｓｔｉｍａｔｉｏｎ（Ａｄａｍ）梯度下降方法共同優(yōu)化調(diào)整網(wǎng)絡(luò)訓(xùn)練，其中Ａｄａｍ 的主要優(yōu)點(diǎn)在于在偏置校正后，每次迭代的學(xué)習(xí)率能夠保持在確定的范圍，使得參數(shù)變化比較平穩(wěn)。

４ 實(shí)驗(yàn)結(jié)果及分析

４． １ 實(shí)驗(yàn)數(shù)據(jù)與設(shè)置

ＭＳＴＡＲ 數(shù)據(jù)集是當(dāng)前對(duì)ＳＡＲ 圖像識(shí)別算法測試和評(píng)價(jià)最為有效的公開數(shù)據(jù)集之一，其包含１０ 類軍事車輛目標(biāo)：ＢＭＰ-２、ＢＴＲ-７０、Ｔ-７２、Ｔ-６２、ＢＲＤＭ-２、ＢＴＲ-６０、ＺＳＵ-２３４、Ｄ７、ＺＩＬ-１３１、２Ｓ１，表２ 展示了來自１７°和１５°俯仰角每種類型樣本數(shù)量，其中將１７°圖像數(shù)據(jù)作為訓(xùn)練集，共２ ７４７ 個(gè)樣本，１５°角度圖像數(shù)據(jù)作為測試集，共２ ４２５ 個(gè)樣本。在訓(xùn)練過程中，網(wǎng)絡(luò)批處理塊大?。ǎ拢幔簦悖瑁螅椋澹┻x取５６，初始學(xué)習(xí)率為０． ００１，迭代１００ 次，共進(jìn)行１０ 次實(shí)驗(yàn)，取平均識(shí)別率。

４． ２ 算法特征提取效果

為展示嵌入注意力機(jī)制后對(duì)網(wǎng)絡(luò)特征提取的有效性，進(jìn)行網(wǎng)絡(luò)特征可視化操作，為了增加對(duì)比，將注意力機(jī)制模塊取出，剩下ＤＳＣ 的網(wǎng)絡(luò)結(jié)構(gòu)，稱為Ｒｅｓ-ＸＤＳＣｎｅｔ，使用同一數(shù)據(jù)集訓(xùn)練至最佳。將圖４中的ＳＡＲ 圖像分別輸入到２ 個(gè)網(wǎng)絡(luò)中，為對(duì)比明顯，選擇Ｒｅｓ-ＳｅＸＤＳＣｎｅｔ 與Ｒｅｓ-ＸＤＳＣｎｅｔ 網(wǎng)絡(luò)中ＳＴＡＧＥ０ ～ ＳＴＡＧＥ２ 三個(gè)階段的像素較高的特征圖進(jìn)行對(duì)比，均取出前１２ 個(gè)通道的特征圖，如圖５ 所示?？梢钥闯?，在ＳＴＡＧＥ０ 中，由于都是同樣的卷積運(yùn)算，得到的各通道特征圖基本上無差別；在ＳＴＡＧＥ１ 和ＳＴＡＧＥ２ 中，Ｒｅｓ-ＳｅＸＤＳＣｎｅｔ 網(wǎng)絡(luò)的各個(gè)特征圖都有待識(shí)別目標(biāo)的表達(dá)，說明網(wǎng)絡(luò)對(duì)于每個(gè)通道都進(jìn)行了有效的學(xué)習(xí)，而Ｒｅｓ-ＸＤＳＣｎｅｔ 網(wǎng)絡(luò)的各個(gè)特征圖差異較為明顯，有些特征圖上幾乎沒有待識(shí)別目標(biāo)的特征表達(dá)（例如圖５（ｄ）從左至右、從上至下第１、３、４、５、８、１２ 個(gè)特征圖）。由此可見，嵌入注意力機(jī)制模塊對(duì)于數(shù)據(jù)的特征提取更有效。

４． ３ 算法性能對(duì)比與分析

為對(duì)比嵌入注意力機(jī)制對(duì)學(xué)習(xí)效率的增強(qiáng)作用，使用Ｒｅｓ-ＳｅＸＤＳＣｎｅｔ、Ｒｅｓ-Ｓｅ３ＤＳＣｎｅｔ、Ｒｅｓ-Ｓｅ２ＤＳＣｎｅｔ、Ｒｅｓ-ＳｅＤＳＣｎｅｔ、Ｒｅｓ-ＸＤＳＣｎｅｔ 以及ＤＳＣｎｅｔ進(jìn)行試驗(yàn)比對(duì)， 其中Ｒｅｓ-Ｓｅ３ＤＳＣｎｅｔ、Ｒｅｓ-Ｓｅ２ＤＳＣｎｅｔ、Ｒｅｓ-ＳｅＤＳＣｎｅｔ 分別代表僅使用Ｒｅｓ-Ｓｅ３ＤＳＣ、Ｒｅｓ-Ｓｅ２ＤＳＣ 和Ｒｅｓ-ＳｅＤＳＣ 模塊組成的網(wǎng)絡(luò)，ＤＳＣｎｅｔ 代表僅使用ＤＳＣ 模塊組成的網(wǎng)絡(luò)。測試誤差、識(shí)別率隨著迭代次數(shù)的變化趨勢如圖６ 和圖７ 所示?？梢钥闯?，本文方法收斂速度較快，僅經(jīng)過２０ 次迭代后即獲得較高的識(shí)別率。

表３ 展示了上述６ 類模型的參數(shù)量和平均識(shí)別率?？梢钥闯?，Ｒｅｓ-ＳｅＸＤＳＣｎｅｔ 由于注意力進(jìn)機(jī)制以及多尺度的加持，識(shí)別率最高；相比于Ｒｅｓ-ＳｅＤＳ-Ｃｎｅｔ，多尺度應(yīng)用能夠很好地提取目標(biāo)特征，從而強(qiáng)化不同目標(biāo)之間的差異；相比于僅使用Ｒｅｓ-Ｓｅ３ＤＳＣ模塊的網(wǎng)絡(luò)，識(shí)別率平均高出０． ８％ ，說明在低像素情況下再使用多種尺度進(jìn)行特征提取效果將變差；相比于Ｒｅｓ-ＸＤＳＣｎｅｔ，在ＳＡＲ 圖像噪點(diǎn)較多的情況下，注意力機(jī)制能夠使網(wǎng)絡(luò)有效關(guān)注到目標(biāo)特征，從而大大提高識(shí)別率，而且在加入注意力機(jī)制模塊后參數(shù)量增加不多，說明該網(wǎng)絡(luò)具有較強(qiáng)的優(yōu)勢。

為對(duì)比不同算法之間的差異以及分析其原因，表４ 展示了本文方法與文獻(xiàn)［１２］（ＺＣＡ＋ＣＮＮ）、文獻(xiàn)［１３］（ＦＣＮＮ＋ＩＣＡＥ）、文獻(xiàn)［２２］（ＣＮＮ＋ＳＶＭ）、文獻(xiàn)［２３］（ＣＮＮ ＋ＳＲＣ）、ＲｅｓＮｅｔ５０ 方法的對(duì)比?？梢钥闯觯冢茫粒茫危?在提取了圖像一定特征的前提下再進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，可能導(dǎo)致圖像部分信息缺失或使得網(wǎng)絡(luò)對(duì)特定特征學(xué)習(xí)并不良好，從而識(shí)別率有所下降，同時(shí)網(wǎng)絡(luò)層數(shù)不深、特征學(xué)習(xí)還不夠，ＦＣＮＮ＋ＩＣＡＥ 也是類似問題；ＣＮＮ ＋ ＳＶＭ 中卷積網(wǎng)絡(luò)僅有３ 層，對(duì)目標(biāo)訓(xùn)練不充分導(dǎo)致輸出的目標(biāo)特征沒有較強(qiáng)的差異性，輸入到ＳＶＭ 中識(shí)別率也不佳；ＬｅＮｅｔ-５＋ＣＲＣ 則是將網(wǎng)絡(luò)特征輸入到機(jī)器學(xué)習(xí)方法中，利用了機(jī)器學(xué)習(xí)方法對(duì)樣本數(shù)量不敏感的特點(diǎn)，但由于ＬｅＮｅｔ５ 淺層網(wǎng)絡(luò)訓(xùn)練不充分的原因，其訓(xùn)練得到的特征在可分性上也有所不足。另外本文與ＲｅｓＮｅｔ５０ 網(wǎng)絡(luò)在識(shí)別率上基本一樣，但由于參數(shù)量遠(yuǎn)小于ＲｅｓＮｅｔ５０ 網(wǎng)絡(luò)，因此具有較強(qiáng)性能優(yōu)勢。

為進(jìn)一步對(duì)比上述方法的泛化能力，換成俯仰角為３０°、４５°的測試集，識(shí)別率如表５ 所示。可以看出，隨著俯仰角的增大，識(shí)別率均降低，但本文方法依然保持較高的識(shí)別性能，說明該深度網(wǎng)絡(luò)具有較強(qiáng)的泛化能力。

５ 結(jié)束語

提出了嵌入注意力機(jī)制的ＤＳＣ 網(wǎng)絡(luò)的ＳＡＲ 目標(biāo)識(shí)別方法。該模型主要在ＤＳＣ 網(wǎng)絡(luò)基礎(chǔ)上構(gòu)建輕量化、有效的識(shí)別網(wǎng)絡(luò)，通過設(shè)計(jì)多尺度模塊，用小卷積核代替大卷積核，提取到不同深度的特征信息并縮減了網(wǎng)絡(luò)參數(shù)；利用注意力機(jī)制提高了對(duì)目標(biāo)特征的權(quán)重。采用淺層網(wǎng)絡(luò)用大尺度、深層網(wǎng)絡(luò)用小尺度的方法設(shè)計(jì)網(wǎng)絡(luò)模型。在不擴(kuò)充樣板數(shù)量的情況下，依然保持較高的識(shí)別率以及較強(qiáng)的泛化能力，可為其他ＳＡＲ 目標(biāo)識(shí)別和檢測提供輕量化網(wǎng)絡(luò)基礎(chǔ)。

參考文獻(xiàn)

［１］ ＺＨＯＵ Ｙ Ｓ，ＷＡＮＧ Ｗ，ＣＨＥＮ Ｚ，ｅｔ ａｌ． Ｈｉｇｈｒｅｓｏｌｕｔｉｏｎａｎｄ Ｗｉｄｅｓｗａｔｈ ＳＡＲ Ｉｍａｇｉｎｇ Ｍｏｄｅ Ｕｓｉｎｇ Ｆｒｅｑｕｅｎｃｙ Ｄｉｖｅｒｓｅ Ｐｌａｎａｒ Ａｒｒａｙ ［Ｊ］． ＩＥＥＥ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ ＲｅｍｏｔｅＳｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２０，１８（２）：１－５．

［２］ ＷＡＮＧ Ｊ，ＺＨＡＮＧ Ｘ Ｚ，ＬＩＵ Ｍ Ｍ，ｅｔ ａｌ． ＳＡＲ Ｔａｒｇｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｍｕｌｔｉａｓｐｅｃｔ Ｍｕｌｔｉｆｅａｔｕｒｅ ＣｏｌｌａｂｏｒａｔｉｖｅＲｅｐｒｅｓｅｎｔａｔｉｏｎ ［Ｊ ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２０，１１（８）：７２０－７２９．

［３］ 張陽，劉小芳，周鵬成． 改進(jìn)Ｆａｓｔｅｒ ＲＣＮＮ 的ＳＡＲ 圖像船舶檢測技術(shù)［Ｊ ］． 無線電工程，２０２２，５２ （１２ ）：２２８０－２２８７．

［４］ 郭煒煒，張?jiān)鲚x，郁文賢，等． ＳＡＲ 圖像目標(biāo)識(shí)別的可解釋性問題探討［Ｊ］． 雷達(dá)學(xué)報(bào)，２０２０，９（３）：４６２－４７６．

［５］ ＰＰＡＰＳＯＮ Ｓ，ＮＡＲＡＹＡＮＡＮ Ｒ Ｍ． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｖｉａ ｔｈｅＳｈａｄｏｗ Ｒｅｇｉｏｎ ｉｎ ＳＡＲ Ｉｍａｇｅｒｙ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓｏｎ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ，２０１２，４８ （２ ）：９６９－９８０．

［６］ 辛海燕，童有為． 結(jié)合多源特征與高斯過程模型的ＳＡＲ 圖像目標(biāo)識(shí)別［Ｊ］． 電訊技術(shù)，２０２１，６１ （４ ）：４５４－４６０．

［７］ ＺＨＡＯ Ｑ，ＰＲＥＩＮＣＩＰ Ｊ Ｃ． Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ ｆｏｒＳＡＲ Ａｕｔｏｍａｔｉｃ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓｏｎ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ，２００１，３７ （２ ）：６４３－６５４．

［８］ ＳＵＮ Ｙ Ｇ，ＤＵ Ｌ，ＷＡＮＧ Ｙ，ｅｔ ａｌ． ＳＡＲ Ａｕｔｏｍａｔｉｃ ＴａｒｇｅｔＲｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｄｉｃｔｉｏｎａｒｙ Ｌｅａｒｎｉｎｇ ａｎｄ ＪｏｉｎｔＤｙｎａｍｉｃ Ｓｐａｒｓｅ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ［Ｊ ］． ＩＥＥＥ Ｇｅｏｓｃｉｅｎｃｅａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０１６，１３（１２）：１７７７－１７８１．

［９］ ＺＨＡＯ Ｊ Ｐ，ＧＵＯ Ｗ Ｗ，ＺＨＡＮＧ Ｚ Ｈ，ｅｔ ａｌ． Ａ ＣｏｕｐｌｅｄＣｏｎｖｏｌｕｔｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｓｍａｌｌ ａｎｄ Ｄｅｎｓｅｌｙ Ｃｌｕｓｔｅｒｅｄ Ｓｈｉｐ Ｄｅｔｅｃｔｉｏｎ ｉｎ ＳＡＲ Ｉｍａｇｅｓ［Ｊ］． Ｓｃｉｅｎｃｅ ＣｈｉｎａＩｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ，２０１９，６２ （４ ）：０４２３０１：１ －０４２３０１：１６．

［１０］ 賀豐收，何友，劉準(zhǔn)釓，等． 卷積神經(jīng)網(wǎng)絡(luò)在雷達(dá)自動(dòng)目標(biāo)識(shí)別中的研究進(jìn)展［Ｊ］． 電子與信息學(xué)報(bào)，２０２０，４２（１）：１１９－１３１．

［１１］ ＣＨＥＮ Ｓ，ＷＡＮＧ Ｈ Ｐ，ＸＵ Ｆ，ｅｔ ａｌ． Ｔａｒｇｅｔ ＣｌａｓｓｉｆｉｃａｔｉｏｎＵｓｉｎｇ ｔｈｅ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ ＳＡＲ Ｉｍａｇｅｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１６，５４（８）：４８０６－４８１７．

［１２］ 許強(qiáng)，李偉，占榮輝，等． 一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)ＳＡＲ 目標(biāo)識(shí)別算法［Ｊ］． 西安電子科技大學(xué)學(xué)報(bào)，２０１８，４５（５）：１７７－１８３．

［１３］ 喻玲娟，王亞東，謝曉春，等． 基于ＦＣＮＮ 和ＩＣＡＥ 的ＳＡＲ 圖像目標(biāo)識(shí)別方法［Ｊ］． 雷達(dá)學(xué)報(bào)，２０１８，７ （５）：６２２－６３１．

［１４］ 林志龍，王長龍，胡永江，等． ＳＡＲ 圖像目標(biāo)識(shí)別的卷積神經(jīng)網(wǎng)模型［Ｊ］． 中國圖象圖形學(xué)報(bào)，２０１８，２３（１１）：１７３３－１７４１．

［１５］ ＨＥ Ｋ Ｍ，ＺＨＡＮＧ Ｘ Ｙ，ＲＥＮ Ｓ Ｑ，ｅｔ ａｌ． Ｄｅｅｐ ＲｅｓｉｄｕａｌＬｅａｒｎｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｃ］∥ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｌａｓ Ｖｅｇａｓ：ＩＥＥＥ，２０１６：７７０－７７８．

［１６］ ＷＡＮＧ Ｊ Ｈ，ＪＩＡＮＧ Ｙ． Ａ ＳＡＲ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ Ｍｅｔｈｏｄｖｉａ Ｃｏｍｂｉｎａｔｉｏｎ ｏｆ Ｍｕｌｔｉｌｅｖｅｌ Ｄｅｅｐ Ｆｅａｔｕｒｅｓ［Ｊ］． Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｎｅｕｒｏｓｃｉｅｎｃｅ，２０２１，２０２１：２３９２６４２．

［１７］ ＳＨＡＮＧ Ｓ Ｓ，ＬＩ Ｇ Ｐ，ＷＡＮＧ Ｇ Ｚ． Ｃｏｍｂｉｎｉｎｇ ＭｕｌｔｉｍｏｄｅＲｅｐｒｅｓｅｎｔａｔｉｏｎｓ ａｎｄ ＲｅｓＮｅｔ ｆｏｒ ＳＡＲ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２１，１２（６）：６１４－６２４．

［１８］ 史寶岱，張秦，李瑤，等． 基于改進(jìn)殘差注意力網(wǎng)絡(luò)的ＳＡＲ 圖像目標(biāo)識(shí)別［Ｊ］． 激光與光電子學(xué)進(jìn)展，２０２１，５８（８）：１１４－１２２．

［１９］ ＨＯＷＡＲＤ Ａ Ｇ，ＺＨＵ Ｍ，ＣＨＥＮ Ｂ，ｅｔ ａｌ． Ｍｏｂｉｌｅｎｅｔｓ：Ｅｆｆｉｃｉｅｎｔ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｍｏｂｉｌｅ Ｖｉｓｉｏｎａｐｐｌｉｃａｔｉｏｎｓ［ＥＢ ／ ＯＬ］． （２０１７－０４－１７）［２０２３－０５－１１］．ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ １７０４． ０４８６１．

［２０］ 路文超，龐彥偉，何宇清，等． 基于可分離殘差模塊的精確實(shí)時(shí)語義分割［Ｊ］． 激光與光電子學(xué)進(jìn)展，２０１９，５６（５）：９７－１０７．

［２１］ ＨＵ Ｊ，ＳＨＥＮ Ｌ，ＳＵＮ Ｇ． Ｓｑｕｅｅｚｅａｎｄｅｘｃｉｔａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０１８ ＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｌｔ Ｌａｋｅ Ｃｉｔｙ：ＩＥＥＥ，２０１８：７１３２－７１４１．

［２２］ 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(shí)別研究［Ｊ］． 雷達(dá)學(xué)報(bào)，２０１６，５ （３）：３２０－３２５．

［２３］ 馮新?lián)P，邵超． 跨卷積網(wǎng)絡(luò)特征融合的ＳＡＲ 圖像目標(biāo)識(shí)別［Ｊ］． 系統(tǒng)仿真學(xué)報(bào)，２０２１，３３（３）：５５４－５６１．

作者簡介

盧小華 女，（１９８１—），碩士，講師。主要研究方向：數(shù)據(jù)挖掘。

李愛軍 女，（１９６４—），博士，教授。主要研究方向：數(shù)據(jù)挖掘。

基金項(xiàng)目：山西省教育廳教學(xué)改革創(chuàng)新項(xiàng)目（Ｊ２０２１８６５）