小样本条件下基于深度学习的SAR目标识别研究

Insufficient sample is a significant factor constraining the development of SAR target recognition. This project aims at solving SAR target recognition problem with a small amount of samples, and making breakthroughs from sample augmentation, feature extraction network construction, and classifier design. The projected transformation and deep learning based simulation method are combined to augment the sample. The projected transformation is used to generate the pose-missing samples, followed by the generative adversarial network for estimating the probability distribution of samples, so that improving the quality of the augmented samples. To establish the deep network and fine-tune the parameters with small amount of samples, vast samples without labels are employed to train the stacked convolutional auto-encoder network as the pre-train network, and the structure of network is optimized with the help of the visualization method to increase the generalization and transfer ability. During fine tuning the parameters of the network, by appending the bypass with an unsupervised model, supervised and unsupervised learning are combined to fully exploit the inherent information hidden inside the sample. The sample label is used to construct the identity constraint regularization for designing the sparse coding based classifier, which can alleviate the effect of high in-class divergence on the identification. It is expected that SAR target recognition with small amount of samples can be achieved in the framework of deep learning by this research, which has significance to promote the development of automatic SAR image interpretation.

样本量不足是制约SAR目标识别发展的重要因素。针对样本不足问题，本项目开展小样本条件下SAR目标识别方法研究，从样本扩充、特征提取网络构建和分类器设计三方面入手寻求突破。结合基于投影变换和深度学习的仿真方法扩充样本，首先利用投影变换生成缺失观测条件下的样本，再通过生成对抗网络估计样本的概率分布，从而优化生成样本的质量；建立小样本条件下深层网络构建与参数优化方法，在预训练网络建立过程中，利用大量无标签数据训练栈式卷积自编码网络，并通过可视化技术优化网络结构，增强特征提取网络的泛化与迁移能力，在网络参数调优过程中，在旁路引入无监督模块，通过结合有监督与无监督学习充分利用样本自身蕴含的信息；利用样本的标签信息构建类别正则化约束下的稀疏编码分类器，减小高类内离散度对识别的影响。通过本项目的研究，可望在深度学习框架中解决小样本条件下的SAR目标识别问题，对推动SAR图像自动解译的发展具有重要意义。

SAR目标识别时常面临由于训练样本少所导致的识别精度低、模型泛化能力弱等问题，本项目从数据扩充、特征提取和分类器设计三方面加以解决。在数据扩充方面，利用生成对抗网络学习样本的概率分布，从而具备生成新样本的能力；由于生成样本与真实样本之间存在差异，直接将生成样本作为扩充数据难以达到预期的效果，通过基于循环生成对抗模型的域自适应学习建立生成和真实样本数据域的映射关系，从而减少生成和真实样本之间的差异。在特征提取方面，利用迁移学习技术解决SAR目标识别中由于样本量较少所带来的神经网络训练困难问题，将SAR场景数据的重建作为源任务，通过带有重建旁路的网络将源任务中学习到的知识迁移到SAR目标识别任务中；在单迁移源的基础上，探索利用多个源任务的方法，通过对特征一般性和特殊性的分析，提出基于传递式迁移的SAR目标识别方法；通过度量学习方法将分类问题转换为度量样本对中两个样本间的相似性，这种转换不仅能够增加训练样本的数目，同时能够减小类内离散度并增大类间离散度，采用共享权值的孪生神经网络实现度量学习，提高特征的可区分性；针对仅有少量具有类别标记的样本和大量无标记样本的训练数据条件，利用半监督生成对抗网络减少标记样本量，通过生成对抗网络在无标记样本中学习数据的分布，来优化半监督分类模型，从而实现仅利用少量标记样本的模型构建。在分类器设计方面，为减小类内差异，构建类别正则化约束项并将其加入基于稀疏编码的分类器设计中，利用类别正则化约束帮助解决小样本条件下的SAR目标分类问题。通过上述方法有效地降低了训练所需样本量，提升了小样本条件下的SAR目标识别性能。