生物启发式的雷达图像半监督识别关键技术研究

Considering the explosive expanding of the radar image data, there exist difficulties in acquirement of effective samples, low efficiency of target feature integration and the in-ability of self-learning in traditional methods, this project aims to research on radar image classification and recognition based on semi-supervised biological learning mechanism. Biologically perceptual segmentation theory and visual attention mechanism will greatly speed up sample acquisition procedure. As to the difficulty of tag information acquisition, the ability of self-labeling of unlabeled samples is improved by virtue of transformation strategies with Active Learning. Through Incremental Learning, the uncertainty of target sample is reduced to solve the stability of learning stage for new samples. The efficiency of the semi-supervised algorithm for unlabeled samples is also improved by Generative Adversarial Networks. Through this project, it is expected to improve the utilization of massive data, enhance the intelligence, effectiveness and reliability of radar target recognition even when the labeled samples are insufficient. It also hopes to explore a new approach to the recognition and application of radar images.

当前雷达探测图像数据成爆炸式增长，传统处理方法存在标记样本获取困难、目标特征整合效率低、自主学习能力差等缺陷，本项目探索研究生物启发式的雷达图像目标半监督识别方法。拟采用Gestult知觉分割理论和视觉注意机制，提升样本获取速度和精度，构建可靠样本集；针对样本标记信息获取困难的问题，借助主动学习的转化策略，提高对未标记样本的自主标记能力；针对新进样本学习成本高的问题，通过增量学习强化识别方法对新增样本的稳定学习能力；采用生成对抗网络提升半监督学习效率，提高识别精度，同时利用其生成网络生成虚假图像，进一步扩充样本集合。通过项目的研究，期望能够提高海量数据的利用率，实现在少量标记样本情况下雷达图像目标识别的智能性、有效性和可靠性，探索出一条雷达图像识别和应用的新途径。

随着雷达图像数据资源的日益增长，智能化解译技术迫在眉睫，针对现实场景中大量未标记数据的利用、高效的特征整合和自主学习不足等问题，本项目探索研究了基于生物启发学习的雷达图像半监督识别方法。采用生物视觉分割理论，提出了基于显著目标检测模型的SAR图像面目标检测检测方法，提升了样本获取速度；借助主动学习的转化策略，提出了DAM（Dataset Attention Module）模块，将注意力焦点聚焦于有用的未标记数据，从而筛选出对于网络泛化性能有着正面作用的数据，提高了未标记样本的自主标记能力；提出了一种由多个生成网络、一个判别网络和一个多分类器组成的半监督模型MCGAN（Multiple generators and one multi-Classifier Generative Adversarial Network），解决了识别方法对新增样本学习的不稳定性问题；借鉴协同训练思想，利用目标数据的无标签样本作为先验信息，基于半监督学习和生成式对抗网络的理论，提出了Integrated GANs模型，在少量有标签样本条件下，生成多类别、高质量的目标样本，达到较高的识别准确率。通过本项目的研究，实现了在少量标记样本情况下雷达图像目标的可靠识别，在中国科学院空天信息创新研究院的试飞数据和中国电子科技集团公司第十四研究所的处理平台上均得到测试、验证和应用。.除此之外，本项目在SAR图像场景分割、舰船检测、道路检测、机场跑道检测、桥梁检测、阴影检测、特定目标推荐、检测识别一体化等相关问题以及注意力机制、小样本学习、深度强化学习和弱监督学习等理论方面积累了一些成果。研究结果不但对于深度学习理论的发展具有重要的学术意义，而且对进一步指导SAR图像智能解译乃至更广泛意义上的遥感图像目标检测和识别均具有重要的参考价值。