​博士论坛 | 基于域知识增强深度网络的少量样本SAR车辆目标识别（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！

国防科技大学电子科学学院张琳彬10月30日在SAR图像解译分论坛做了题为《基于域知识增强深度网络的少量样本SAR车辆目标识别》的学术报告。

报告简介

合成孔径雷达（SAR）目标识别面临着标记数据有限的挑战，尤其是敌方非合作目标的获取尤为困难。在实际情报获取中，像每类200多个样本规模的训练数据集很难获得。尽管很多基于深度学习的SAR目标识别算法，在训练数据丰富时表现出良好的性能。然而，当训练样本数下降时，现有算法的性能也不尽如人意，难以满足实际应用的要求。

基于此，本文提出了域知识在少量SAR车辆目标识别中的重要性。域知识，是在SAR目标判读中，目标的长宽比和目标阴影等物理特性是鉴别该类目标的重要手段。这是遥感影像解译专家广泛使用的知识，而几乎所有的深度学习方法都忽略了这一点。

本文将SAR车辆的长宽比和目标区域面积作为域知识，并结合深度网络提出DK-ConvNet。该网络用SAR车辆目标的域知识信息来校正，样本不足情况下全卷积网络最终输出的概率。域知识的引入大大减轻了因少量数据而造成的深度网络的过拟合问题。为了准确地提取目标面积信息，我们还使用了SARBake数据库中的分割结果。所有实验均在MSTAR数据库下进行。带标签的少量数据在MSTAR数据集中随机采样获得，在标准操作条件（SOC）下，我们提出的DK-ConvNet在10类目标每类10个和10类目标每类30个的情况下分别达到了72.2%和93.1%。并且与其他基于少量样本的SAR目标识别方法相比，DK-ConvNet在识别率上显示出了优势。同时，也证明了SAR目标的域知识是解决少量样本SAR目标识别的重要手段。

我们的域知识增强模块是可以进行升级的和移植的。该模块在舰船目标筛选鉴别和去虚警任务中有较好的效果，在2019年9月第三届“中科星图杯”高分图像解译软件大赛目标识别方向“大范围海域SAR图像舰船目标自动识别”科目中取得全国第二名的成绩。对于新发现的，并具有鉴别性的目标特征，有很好的兼容性。该模块也可以比较容易移植到，输出为概率或者样本相似度的网络中来进行校正。

报告视频

报告PPT

本报告PPT共20张。

博士简介

张琳彬，博士在读，2018年7月取得国防科技大学信息工程学士学位。目前正在国防科技大学电子科学学院空天遥感图像智能处理实验室硕博连读。研究兴趣包括遥感目标检测、小样本和少量样本SAR车辆目标识别。

了解其他学术报告，请点击“阅读原文”。↓↓↓

相关阅读

编辑：李郝亮

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。