SAR图像目标识别的可解释性问题

合成孔径雷达(SAR)图像目标识别是实现微波视觉的关键技术之一。尽管深度学习技术已经被成功应用于解决SAR图像目标识别的问题，并显著超越了传统方法的性能，但其内部工作机理不透明、解释性不足，成为制约SAR图像目标识别技术可靠性和可信应用的瓶颈。深度学习的可解释性是目前人工智能领域的研究热点与难点，对于理解和信任模型决策至关重要。

SAR图像自动解译技术存在的一些问题

SAR图像自动目标识别技术(Automatic Target Recognition,ATR)是实现SAR图像智能解译的关键技术之一。自上个世纪50年代SAR诞生以来至今持续获得大量关注和研究。特别是近年来随着深度学习技术的迅猛发展，深度神经网络也被应用于解决SAR图像目标检测和识别问题，并大幅超越了传统SAR图像目标检测和识别技术。尽管深度学习技术显著提升了SAR目标图像检测识别的性能，但主要依赖于大量标注数据的参数拟合能力，其内部过程犹如黑盒子，人们很难理解其背后的工作机理和决策逻辑，难以掌握系统决策行为的边界。
深度神经网络工作机理复杂，且具有一定的脆弱性，需要通过理解深层网络模型背后的决策过程和依据，发现其中的缺陷，以便对模型和算法加以改进，提升SAR目标识别系统的鲁棒性；进一步地，SAR图像与光学图像特性存在着本质的差异，其对成像参数高度敏感，很难获取完备的训练样本，因此在构建SAR图像目标识别的深层模型时需要考虑SAR图像数据的特点，结合SAR本身的物理、统计和语义等领域的知识，建立可解释的SAR图像目标识别模型，从而增强SAR图像目标识别的可解释性、鲁棒性和在小样本上的泛化能力。
SAR系统独特的成像方式会 造成相干斑、结构缺失、几何畸变(透视收缩和叠掩)、阴影现象，导致SAR图像在视觉特性上与光学图像有着明显的差异，表现为“所见非所知”的特点，同时SAR图像对观测参数敏感、获取样本困难，导致SAR图像目标识别仍是一个世界性难题。
SAR目标解译一般采用：检测——鉴别——识别 的处理流程。SAR目标检测和鉴别的主要目的是定位目标在图像中的位置和区域，为进一步的目标识别奠定基础。
不同于光学图像，SAR图像作为目标电磁散射情况的反映，与人的视觉认知有着很大的差别，它所蕴含的目标信息难以被直观理解；同时，SAR图像还伴随固有的相干斑噪声，几何畸变(透视收缩、叠掩)等现象，对观测参数也更加敏感，使得对SAR目标稳健特征描述和分类识别更加困难；并且，目标识别通常需要完备的训练集，但是SAR图像的获取成本高，真值标记不易获得，导致SAR目标识别还面临小样本的困境。传统的SAR目标检测识别方法可解释性强，但是手工建模的泛化能力和鲁棒性不足，可挖掘的潜力有限，而深度学习在特定数据集上取得较好的结果，但是对样本数量和网络规模具有较高的要求，特别是对非合作目标，很难建立起完备的数据集，在对大场景、多尺度、密集排布、地物干扰等复杂场景的学习方法主要依赖于图像阈数据，很容易对图像噪声过拟合；同时，深度模型可解释性差，在先验知识的引入和利用方面仍存在较大局限性，限制了其 性能的进一步提升。

SAR技术以后发展方向

1.与SAR领域知识的有机融合和。单纯依靠数据暴力的深度学习方法并不能完全解决SAR目标认知解译问题。目前SAR图像目标解译仍严重依赖于判读专家的经验知识和推理，如何构建和表达这些先验知识，并嵌入到深度模型的学习和推理过程中，发展解译性强、泛化性好、鲁棒性高的SAR目标识别模型和方法是一个重要方向。
2.人机智能协同。由于SAR图像的特殊性，仅仅依赖于图像的信号并没有很大的提升空间，判读专家的经验和知识在SAR图像解译中仍不可或缺，因此需要将人的作用引入到模型学习和推理的环节中，充分发挥判读专家快速聚焦、语义关联、知识推理和计算机快速计算与自动化处理两方面的优势，实现有效的“人在环路”的人机协同计算。
3.交互式学习。SAR图像视觉认知困难，图像特征不稳定，获取和标注样本困难，良好的SAR目标识别系统应具备从小样本数据学习以及在与人的交互过程中持续学习的能力。通过结合主动学习、增量学习、知识图谱等技术，在人-模型-数据的动态互动中进行渐进式模型训练和知识更新，从而实现系统能力的迭代增长。
注：文章选自《SAR目标图像目标识别的可解释性问题探讨》 郭炜炜等