论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种工作在微波段的高分辨成像雷达,因其全天时、全天候的工作特点,已在国防安全、环境监测以及能源探测等众多领域中发挥着关键作用。SAR图像解译旨在针对不同的任务需求从复杂的地物场景中根据目标与背景的物理属性提取出有用信息,实现从图像到情报信息的转化。自动目标识别(Automatic Target Recognition,ATR)致力于从复杂的图像中自动完成感兴趣目标区域检测和目标类别属性推理,是实现智能SAR图像解译的重要方式。近年来,随着机器学习理论与深度学习技术的迅猛发展,SAR ATR技术已在理论方法研究和系统设计方面取得了突破性进展。但受真实应用场景中传感器有限的数据捕获能力、昂贵的数据标注成本以及传感器独特的成像机理等诸多因素的制约,使得SAR ATR任务在训练数据库的构建、稳健目标特征提取以及高精度分类模型的设计等方面面临重大挑战。本文围绕SAR ATR任务中的样本标注、目标特征提取以及分类判决等关键问题,从深度特征提取、多视角学习、弱监督学习以及小样本学习等方面展开了理论分析、方法研究以及基于实测数据的实验验证。主要研究内容如下:(1)针对复杂扩展操作条件(Extended Operating Conditions,EOCs)下SAR图像目标识别问题,提出了一种基于扩展卷积胶囊网络的目标识别方法。该方法首先利用多个空洞卷积层提取目标多尺度鉴别特征,然后引入注意力机制思想对多尺度特征进行自适应特征增强与抑制。为了充分利用特征空间结构中蕴含的鉴别信息,该方法设计了基于胶囊单元的特征位姿学习层来学习特征的空间结构关系,可有效挖掘图像中潜在的识别信息,进而提升目标识别性能。(2)针对单视角SAR图像目标中蕴含的信息量有限而导致识别性能不佳问题,提出了一种基于有监督稀疏表示的多视角目标识别方法。该方法在训练阶段充分利用训练样本标签提供的监督信息,建立一个表示字典与分类器联合的学习框架,利用分类误差反馈调整字典学习过程;在测试阶段松弛了多视角联合优化模型中视角间的方位角间隔约束,在拓宽模型适用范围的同时,提取了多视角的共有类特性以及类互补特性,继而提升目标识别性能。(3)针对SAR图像目标识别任务中高昂的样本标注问题,提出了一种基于深度学习的弱监督目标识别方法。该方法考虑到识别模型在少量的有标签样本条件下容易发生过拟合,引入贝叶斯推理到卷积神经网络模型参数优化过程;为了充分利用无标签样本提升模型性能,设计了一种面向弱监督分类识别任务的样本选择策略来完成无标签样本的选择与标注;基于有标签样本完成识别模型参数更新,在降低样本标注成本的同时,提升模型的识别性能。(4)针对训练样本极度匮乏条件下SAR图像目标识别问题,提出了一种基于元孪生子空间分类网络的目标识别方法。该方法将元学习、度量学习以及子空间学习思想集成到同一框架中,通过设计孪生网络结构的特征嵌入模型提取低维鉴别特征,借鉴子空间学习思想设计分类器完成目标类属型推理,引入元学习“学会学习”的思想训练模型,实现样本极度匮乏条件下稳健的SAR图像目标识别。