博士论坛 | 基于物理引导神经网络的SAR图像分类（视频）

 点击蓝色“雷达学报”关注

2021年10月23-24、30-31日，第一届雷达学报博士论坛成功举办！西北工业大学自动化学院黄钟泠10月30日在SAR图像解译分论坛做了题为《基于物理引导神经网络的SAR图像分类》的学术报告。

报告简介

深度学习技术目前在 SAR 图像智能解译领域发展迅速、成效卓越，相比于传统方法具有自动挖掘多层级特征进行预测的优势。但同时，传统基于物理模型的SAR图像解译算法可解释性强，对 SAR 的物理特性认识较深。结合二者的优势对于发展可解释的深度学习技术具有良好的促进作用，因此，在 SAR 图像解译任务中深层次整合数据驱动的模型和 SAR 的电磁物理模型尤为重要。

在 SAR 图像物理散射特性理解方面，我们基于复数 SAR 图像时频分析的物理意义，提出一种针对单极化 SAR 的散射特性自动挖掘方法。首先通过二维子带分解得到 SAR 目标在距离向和方位向上的散射强度变化，作为描述目标时频特性的子带散射信号，然后借助深度神经网络在大规模的子带散射信号中自动挖掘表征，得到逐目标的散射特性分类结果图。实验揭示了子带散射特性与极化散射特性在人造目标类别上的联系，分析了其在人造目标检测等任务中的应用前景。在 SAR 图像语义理解方面，我们首次提出一种无监督式的物理引导深度神经网络，利用可解释模型驱动深度神经网络训练，得到具有物理意识的特征表示。通过在传统的 SAR 图像分类 CNN 模型中加载物理引导的神经网络模块，利用特征转移层进行连接，构建端到端的神经网络模型进行 SAR 图像分类。我们设计了一种简洁的 SAR 图像数据集构建模式用于算法验证。实验在多个 SAR 场景图像分类任务上进行，结果表明所提方法能够大幅度提升深度模型在小样本下的泛化能力，并在端到端的学习过程中保持结果的物理一致性。我们在 SAR 图像解译领域借助物理模型对可解释的深度学习技术进行了初步的探索，验证了通过结合数据驱动和理论驱动的方法来较好地减轻深度模型对标记大数据的依赖，同时一定程度上提升深度模型的可解释性。

报告视频

报告PPT

本报告PPT共22张。

博士简介

黄钟泠，2020年9月博士毕业于中国科学院空天信息创新研究院，现就职于西北工业大学自动化学院。主持国家自然科学基金项目等，入选2021年博士后创新人才支持计划。主要研究方向包括合成孔径雷达图像理解、深度学习、可解释人工智能。近年来以第一作者在领域高水平期刊和国际会议上发表多篇论文，引用300余次，担任IEEE-TPAMI, TGRS, GRSL等多个国际期刊审稿人，IGARSS2021国际会议特邀分会联席Chair。了解其他学术报告，请点击下面”阅读原文“。↓↓↓

相关阅读

编辑：曹梓艺

审核：岳冰莹 贾守新

声明

欢迎转发本号原创内容，转载和摘编需经本号授权并标注原作者和信息来源为《雷达学报》。

本号发布信息旨在传播交流，其内容由作者负责，不代表本号观点。如涉及文字、图片、版权等问题，请在20日内与本号联系，我们将第一时间处理。《雷达学报》拥有最终解释权。