资源受限环境下基于深度递归学习的多角度SAR目标识别

SAR target recognition is of great significance to strategic surveillance, tactical combat and remote sensing applications. After nearly 30 years of theoretical research, the practical application of target recognition technology is still very limited, mainly due to the high false alarm rate, poor adaptability and high platform resource requirements. Therefore, based on the SAR target recognition of time-recursive networks in the early stage, this project intends to learn multi-aspect features and identify them efficiently with integrated neural network model, integrated learning and deep network compression, and to explore the practical solution of the training data resources and processing platform resource constrained multi-aspect SAR target recognition as follows: 1) propose a combination method of rotation forest and depth learning algorithm to solve the depth network adaptability to new targets; 2) study one-shot learning technology to solve learning problems for incomplete data sets; 3) propose an unsupervised learning method based on class probability to solve the misjudgement of new target by deep neural network; 4) propose a time-recurrent neural network compression model, through pruning, quantification and other means to reduce the network density and storage space. The project achievements will effectively promote the research and development of the basic theory of multi-aspect SAR target recognition and the application of SAR remote sensing.

SAR目标识别对于战略监视、战术打击、遥感应用等方面具有重要的意义。经过近30年的理论研究，目标识别技术的实际应用仍然十分有限，主要原因体现在虚警率高、适应性差、平台资源要求高等方面。因此，本课题拟在前期基于时间递归网络的SAR目标识别工作的基础上，结合深度网络组合模型、集成学习、深度网络压缩等方法进行多角度特征学习与高效识别，探索训练数据资源和处理平台资源受限条件下多角度SAR目标识别的实用化方法，从以下方面开展工作：1）提出一种旋转森林与深度递归学习结合的算法提升识别性能；2）研究One-Shot学习方法对于小数据集的适应性问题；3）提出类别概率无监督学习的方法解决深度网络对新目标的误判问题；4）提出一种多角度散射特征约束下的网络剪枝、量化方法，降低深度网络的硬件资源需求。本项目成果将有力地推动多角度SAR目标识别的基础理论研究，促进SAR遥感应用的发展。

随着SAR系统向着多波段、多极化、多角度等多维度观测模式发展，SAR图像的获取问题已经得到初步解决，但是如何快速、有效地利用高分辨率、多角度、多极化等特征从这些海量数据中提取信息是SAR应用时亟需解决的一个难题，并直接推动了世界范围内SAR图像解译技术的发展。多角度SAR成像能够避免常规SAR图像中存在的目标遮挡、几何畸变等问题，这些改变一方面为目标的准确解译和识别提供了可能，另一方面也给以单波段、单角度、单极化的幅度图像信息为对象的传统 SAR 目标识别算法带来挑战。因此，亟需为 SAR 目标识别技术注入新的元素，在考虑多角度信息的同时，兼顾识别性能、有限训练数据、有限硬件资源等需求，加快 ATR 技术的实用化进程。本项目主要分析研究如何表征多角度特征进一步提升识别精度并适应不同的训练数据条件，并易于进行网络压缩加速，进而具备低功耗平台上的实时处理能力，研究并实现了资源受限条件下多角度SAR目标识别中的四个方面内容：1）结合深度递归学习和集成学习的多角度SAR目标识别；2）面向小样本的SAR目标识别方法；3）面向生疏目标的零样本识别方法；4）深层识别网络的轻量化硬件化方法。本项目的研究成果涵盖了SAR图像特征提取及选择、多角度SAR目标识别、小样本识别网络设计、增量学习框架、识别网络的剪枝/蒸馏/量化方法体系等，是对单角度/多角度SAR图像目标识别问题的一种全面化、系统化的解决，推动了SAR图像解译技术的发展，部分成果已应用于中科院空天院某多角度星载SAR系统预研验证中。此外，本项目在多角度信息挖掘、小样本学习、轻量化设计等方面的成果能够直接应用于SAR图像智能解译的其他研究方向，如图像分类、图像分割、目标检测等，为深度学习技术在SAR遥感图像解译领域应用和发展做出贡献。