文献1--深度卷积神经网络在迁移学习模式下的SAR目标识别

深度卷积神经网络在迁移学习模式下的SAR目标识别

0.概述

该文主要是基于深度卷积神经网络提出一种SAR自动目标识别方法，用到了一类优化的DNNs网络结构对SAR图像分类训练，训练过程中使用迁移学习的方法，避免结果陷入局部最优解，此外还能加快模型参数的训练。

1.研究目标

本文使用MSTAR数据集试验，针对美国的运动和静止目标获取及其识别展开研究。

---

2.背景与问题

背景

合成孔径雷达（SAR）图像随着分辨率的提高，在目标识别、情报获取等领域应用广泛。传统的自动目标识别技术（ATR）依赖于模型匹配，局限于需要存储海量的目标模板，给识别系统设计和算法效率的提高增添极大的阻碍。而近年问世的深度学习卷积神经网络模型（DNNs)在众多图像识别领域取得优于人工选取特征方法的成果。
SAR图像较普通光学图像具有成像角度敏感性和大动态范围的特性，这些给分类网络以额外的学习训练素材。

问题

深度学习中，复杂模型数量过少将出现过拟合和陷入局部最优解的问题。而SAR目标图像数据过少，加入迁移学习能够解决该问题。

---

3.方法

该文章用AdaGrad替代SGD作为权重优化的函数，引入迁移学习概念，用改进的网络结构对SAR目标图像识别。

分支详解

1.网络结构：
卷积层----池化层----全连接层
卷积层：完成局部感知野的作用，模拟视觉通路的特性，用不同卷积核对图片进行卷积以得到不同特征上的响应，完成多种局部特征的提取
池化层：提升网络对输入图像平移旋转等抗畸变的能力。无重叠区域的最大池化（即池化层的步长选择与池化窗大小相同）作为采样函数可以更好的保留感知野之间的互信息特性。
2.网络参数的训练
1.初始化是用到了Xavier方式，可以使得梯度值在网络各层保持大致相同的比例
2.权重优化函数选择SGD，同时引入动量（模拟物体运动时的惯性，更新时在一定程度上保留之前的更新）增加稳定性。
3.引入迁移学习，根据数据集的相似程度将预训练结果的最后若干层网络重新初始化，并在目标数据集上进行参数微调。

4.评价

对于DNNs的SAR自动目标识别实验结果评价

本文将学习速率设为0.01，正则项为0.1，批大小（BatchSize)选择49.随着迭代步数更新，整体识别率达98.73%。且75 epochs后，整体识别正确率和损失函数值波动不大，整体效果还是蛮好的。

对于迁移学习模式下SAR自动目标识别实验结果评价

此处零基础的分类正确率初始值为27.6%，而迁移学习方法下初始值高达61.8%，在57 epochs迭代后迁移学习模式下的网络分类正确率达到峰值99.26%，106 epochs后二者均达到最高值。迁移学习模式的每一次迭代过程更加趋于全局最优解，避免陷入局部最优解问题发生。

5.结论

本文得出的结论是基于深度卷积神经网络的SAR目标识别在迁移学习模式下取得高达99.01%的shi’bie识别率，相比于零基础学习模式缩短了1/3zhi至近一半的训练时间。

6.拓展文献

[1]李君宝,杨文慧,许剑清,等.基于深度卷积网络的SAR图像目标检测识别[J].导航定位与授时,2017(1)60-66.