基于跨域元学习的SAR自动目标识别研究_王可.pdf

2023 年 2 月 25 日第 7 卷第 4 期现代信息科技Modern Information Technology Feb.2023 Vol.7 No.457572023.022023.02收稿日期：2022-12-16基金项目：江苏省电子信息职业教育研究常规课题（JSDX2021-51）；江苏电子信息职业学院校级科研基金项目（JSEIYY2020003）基于跨域元学习的 SAR 自动目标识别研究王可，乔琪（江苏电子信息职业学院，江苏 淮安 223003）摘 要：近年来，基于数据驱动的 SAR 自动目标识别研究技术取得了很大进展。虽然这类方法识别性能较好，但是在实际应用场景中很难采集到足够的真实 SAR 数据用于训练。文章通过引入仿真 SAR 数据来扩充训练数据集，弥补真实 SAR 数据的不足。为了解决仿真和真实 SAR 数据之间差异导致的跨域和跨任务迁移问题，提出了一种基于跨域元学习机制的知识迁移算法。利用特征变换和数据增强方法来解决跨领域迁移，利用元学习机制来解决跨任务迁移。实验证明算法可以在有限的训练数据下取得良好的识别性能。关键词：合成孔径雷达；知识迁移；元学习中图分类号：TP18；TN957.52 文献标识码：A 文章编号：2096-4706（2023）04-0057-04Research on SAR Automatic Target Recognition Based on Cross-Domain Meta-LearningWANG Ke,QIAO Qi(Jiangsu Vocational College of Electronics and Information,Huaian 223003,China)Abstract:In recent years,SAR automatic target recognition research technology based on data driven has made great progress.Although the recognition performance of such methods is better,it is difficult to collect enough real SAR data for training.This paper expands the training data set by introducing simulation SAR data to make up for the shortage of real SAR data.To solve cross-domain and cross-task transfer problems caused by the differences between simulation and real SAR data,a knowledge transfer algorithm based on cross-domain Meta-Learning mechanism is proposed.Feature transformation and data enhancement are used to solve cross-domain transfer,and Meta-Learning mechanism is used to solve cross-task transfer.Experiments demonstrate that the algorithm can achieve good recognition performance with limited training data.Keywords:synthetic aperture radar;knowledge transfer;Meta-Learning0 引 言合成孔径雷达（Synthetic Aperture Radar,SAR）是利用合成孔径技术来对地物目标进行高分辨率成像的传感器系统。SAR 工作在微波波段，在军用和民用领域都得到了广泛应用。与光学图像相比，SAR 图像存在一些缺陷，如分辨率相对较低、图像为缺乏对比度的灰度图等。这些缺陷使得 SAR 图像难以通过人工方式进行解译和分类，导致了SAR 图像目标自动识别（Synthetic Aperture Radar Automatic Target Recognition,SAR-ATR）技术的产生1。目前，SAR-ATR 是 SAR 图像应用中最重要的任务之一。随着人工智能和大数据技术的迅猛发展，如深度学习这样的数据驱动方法被广泛应用于 SAR-ATR 领域中，并取得了优异的分类效果。复旦大学的 Chen 等人2首次将卷积神经网络（Convolutional Neural Network,CNN）引入到SAR-ATR 领域，并设计了一种去除全连接层的全卷积网络（A-ConvNet）。文献 3 利用多通道 CNN 来提取多视角图DOI:10.19850/ki.2096-4706.2023.04.015像的特征图，这些特征图通过傅里叶特征融合模块处理后再进行分类。Min 等人4采用知识蒸馏技术将网络结构复杂的大型 CNN 压缩为微型 CNN（Micro CNN,MCNN）。MCNN 结构简单，网络参数很少，所需要的内存和 CPU 资源都很少，可以部署在嵌入式设备上。文献 5 基于目标散射机理来挖掘并优选 SAR 图像极化特征，这些特征包含旋转不变特征和旋转域零角特征。这些优选出来的特征有助于训练 CNN 网络，提高了 CNN 的泛化性能。数据增强6也是一种提高 CNN 分类精度和稳健性的有效手段，可以在SAR 训练集中添加了平移、加噪处理后的人工合成图像。此外，类别依赖结构保持投影（Class-Dependent Structure Preserving Projection,CDSPP）7和核稳健局部判别投影（Kernel Robust Locality Discriminant Projection,KRLDP）8等多种非线性投影方法被用于在变换域提取 SAR 图像特征。近年来，迁移学习、元学习等知识迁移技术在光学图像领域取得成功。SAR-ATR 领域的研究者们开始引入这类技术来解决训练数据有限条件下的目标识别问题。迁移学习引入外部数据集（光学图像或仿真 SAR 图像）并设计相应的知识迁移框架。与采集真实 SAR 图像相比，光学图像和仿真 SAR图像的采集工作要方便得多，这有助于建立更加完备的，含有大量样本的训练数据集。Malmgren-Hansen 等人9构建各种车辆目标的 CAD 模型，将 CAD 模型送入电磁计算软件58582023.022023.02第 4 期现代信息科技得到仿真 SAR 图像。CNN 首先采用这些仿真图像进行预训练，然后利用真实图像微调所有的网络参数。文献 10 首先生成测试目标的精确仿真图像，然后采用平移、加噪、MIX-UP11等多种方法进行数据增强，仅利用很少的训练样本就可以获得很高的识别率。文献 12 在图像特征提取器中额外插入了一个特征变换层，在训练阶段通过仿射变换增强图像特征来模拟不同领域中的特征分布，有利于解决跨域知识迁移问题。知识迁移可以从源域中挖掘先验知识，然后将这些知识迁移到目标域的分类任务中，从而解决训练样本不足导致的SAR-ATR 方法识别率下降，训练稳定性恶化等问题。但是源域和目标域数据之间的差异（图像的背景、成像角度、干扰程度不同）导致了跨领域迁移问题。源域和目标域图像的目标类别不完全一致产生了跨任务迁移问题。本文提出了一种基于跨域元学习的一种识别算法，利用特征变换和数据增强方法来解决跨领域迁移问题，利用元学习机制来解决跨任务迁移问题。1 算法介绍1.1 算法框架本文提出的跨域元学习识别算法框架由特征提取器和分类器组成。特征提取器负责提取对应领域图像的特征，分类器用于确定图像特征的所属类别，如图 1 所示。算法基于元学习的训练机制来解决任务迁移问题，所以模型的输入数据被分为支撑集和查询集。模型的每一次训练迭代分为元训练和元测试两个阶段。在元训练阶段，模型利用支撑集的图像和标签对特征提取器和分类器的参数进行更新。在元测试时，模型首先用 Mix-Up 方法11对查询集的数据进行变换增强，然后利用多个特征变换层（Feature-Wise Transform,FWT）12来强化特征提取器，并利用强化后的特征提取器来提取查询集的特征。特征变换层通常部署在卷积层之下，负责对卷积层输出的特征图进行尺度和平移变换，以增强特征稳健性。模型的元训练和元测试都在源域中进行，当训练完成后，模型利用少量目标域的数据来微调特征提取器和分类器的参数，就可以完成目标域中的识别任务。分类器特征提取器支撑集支撑集类别查询集Mix-Up分类器查询集类别FWT1FWT3FWT2*+特征提取器元训练元测试zRCHWRC11RC11zRCHWFWT图 1 基于跨域元学习的识别算法框架算法框架中的特征提取器和分类器都是基于 CNN 实现的，其中特征提取器由多层卷积模块组成，分类器则是单层全连接层。如图 2 所示，特征提取器由 4 个卷积模块串接而成，依次对图像的特征进行提取和精炼。Conv 代表卷积层，1655 说明该层含有 16 个卷积核，卷积核的尺寸为44，BN 代表批量归一化操作层，Relu 是非线性激活层。分类器由单个全连接层（FC）实现，其中 N 为输出向量的维度。输入图像Conv,1655,BN,ReluConv,3255,BN,ReluConv,3233,BN,ReluConv,3233,BN,ReluFC,N,Softmax类别标签分类器特征提取器图 2 网络结构图1.2 领域泛化源域和目标域数据分布之间的差异导致了跨领域迁移问题，该问题可以通过领域适配或者领域泛化方法来解决。领域适配在训练阶段就需要目标域的数据，所以采用领域泛化来解决跨领域迁移的问题。考虑到数据采集的困难，源域当中仅有一个数据集，本文利用 Mix-Up 方法11对该数据集进行变换混合，生成多种多样的伪域数据，利用这种伪域数据在元测试阶段更新模型的参数，提升模型对未知领域数据的泛化能力。此外，还使用特征变换层对卷积层提取的特征进行变换增强，期望提取出来的特征可以适用于未知领域的识别。Mix-Up 是一种生成数据集的近邻分布的方法，而且对类别标签进行近邻关系建模。Mix-Up 在查询集中随机选择不同类别的数据和标签，进行凸组合，将凸组合作为数据增强后的查询集，用于训练特征提取器。其公式为：（1）（2）其中 xi和 xj是从查询集中随机抽取的样本，yi和 yj为对应标签，和 是混合后的数据。可以模拟来自未知领域的数据，提升特征提取器在未知领域上的泛化能力。当训练样本较少，而 CNN 的参数较多的时候，CNN 容易过拟合，网络参数得不到充分的训练。鉴于特征提取器是基于 CNN 实现的，通过向特征提取器中插入特征变换层，对 CNN 各卷积层的输出进行仿射变换，使得特征提取器提取的特征分布更加多样化，增强其领域泛化能力。给定某卷积层的输出 z RCHW，其仿射变换的尺度系数 和偏置系数 从高斯分布中采样得到：（3）其中 RC11和 RC11为 和 对应标准差的参数，可以通过训练更新。仿射变换的输出 为：（4）可见仿射变换是逐个通道进行，每个特征通道上用的系数都是一样的。1.3 元学习本文利用元学习12解决跨任务的知识迁移问题，此时59592023.022023.02第 4 期源域和目标域的图像类别不同。元学习通过一系列相似任务归纳这些任务的共同特性，借助这些信息进行新任务的快速学习。通过在源域中构建各种识别任务来训练算法参数，使得算法能够快速适应目标域数据上的新任务。给定特征提取器，分类器，特征变换层。每一次训练迭代 t 在源域数据中随机抽样出支撑集 s=xs，ys 和查询集q=xq，yq。首先在支撑集 s上利用梯度下降法来更新