IEEE TGRS顶刊论文----SAR图像目标识别发文新思路

IEEE TGRS顶刊论文分享

Target-Aspect Domain Continual Learning for SAR  Target Recognition

本公众号上线了TB店铺，店铺里有SCI科技论文写作模板、DeeSeep科研全流程教程【小白也能轻松上手】、审稿人意见回复模板、Cover Letter模板等，有需要的可支持一下！只需一杯奶茶钱就可以解决你科研道路上大多数阻碍！

TB店铺搜索【科研助手小店】，然后点击【店铺】，即可看见

。

Part.1

摘要

近年来，随着深度学习技术的发展，基于合成孔径雷达（SAR）的自动目标识别（Automatic Target Recognition，ATR）技术取得了令人瞩目的进展。实际上，一个完整的训练SAR图像数据集在所有目标方面域是有限的。当新的SAR图像在不可见的方面域被获取时，用它们直接再训练训练好的SAR-ATR模型可能会导致在可见方面域的性能显著下降。本文提出了一种面向连续识别模型（ACRM）来解决在现实世界的SAR-ATR中，不同目标面向的SAR图像连续出现时学习到的特征遗忘问题。考虑到SAR图像在目标方面的丰富变化，本文引入了贝叶斯概率框架，以提高模型在不同方面表征目标变化特征的泛化能力。为了获得模型参数后验概率的更好解，本文将在线蒙特卡罗变分推理集成到ACRM中的深度神经网络中。此外，为了减轻推理中重复近似引起的估计误差的积累，本文利用coreset方法，从以前的任务中保留一小部分重要样本作为核心集。本文在MSTAR和FUSARship数据集上进行了广泛的实验。与持续学习的各种基线算法相比，本文的方法在顺序获取不同目标方面的SAR图像时具有优异的SAR- atr性能和鲁棒性。

图1 ACRM在SAR图像目标方面的持续学习。通过添加显式正则化项，利用旧模型的权值正则化来模拟参数，证明了通过参数约束对模型进行更新。

Part.2

本文拟解决的问题

1.SAR图像目标识别中的特征遗忘问题：在实际应用中，当合成孔径雷达（SAR）图像以不同的目标方位角（target-aspect）顺序到达时，传统的深度学习模型在重新训练时会忘记之前学习到的特征，导致对已见过的目标方位角域的识别性能显著下降。

2.SAR图像的复杂性：SAR图像的目标特征会随着目标方位角的变化而显著变化，这使得模型难以在不同的目标方位角域之间进行有效的特征泛化。

3.在线学习的挑战：在实际应用中，SAR图像通常是顺序获取的，模型需要能够在线学习新任务，同时保持对旧任务的识别能力，这涉及到模型的稳定性和适应性问题。

Part.3

创新点

1.提出基于连续学习的SAR目标识别模型（ACRM）：这是首次提出一种基于连续学习的SAR目标识别模型，能够顺序处理不同目标方位角域的SAR图像，同时避免遗忘之前学习到的特征。

2.引入贝叶斯概率框架：通过贝叶斯概率框架来建模模型参数，使模型能够更好地描述不同目标方位角域下SAR图像中复杂的散射点分布，从而提高模型的泛化能力。

3.结合在线蒙特卡洛变分推断：将在线蒙特卡洛变分推断集成到深度神经网络中，以更好地求解模型参数的后验概率，从而提高模型在连续学习过程中的性能。

4.采用Coreset方法缓解误差累积：通过保留前序任务中的一些重要样本作为Coreset，减少由于重复近似导致的误差累积，同时在模型的识别精度和计算成本之间取得平衡。

图2 ACRM结构

Part.4

方法流程

1. 数据分割

将SAR图像数据集按照目标方位角域划分为多个任务。例如，将目标方位角域划分为多个区间，每个区间对应一个任务。假设将目标方位角域划分为四个区间：[0°, 90°),[90°, 180°),[180°, 270°),[270°, 360°)，每个区间内的SAR图像及其标签构成一个任务。

图3 基于目标面向域的SAR图像数据集分割。

图4 ACRM范式

2. 模型初始化

深度卷积神经网络（CNN）分类器：初始化一个深度CNN分类器，用于提取SAR图像的特征并进行目标分类。CNN的结构可以是ResNet-18或其他适合的网络架构。

变分推断模块：初始化一个变分推断模块，用于在线更新模型参数的后验概率。该模块通过蒙特卡洛采样和变分推断技术来近似模型参数的分布，从而提高模型的泛化能力。

3. 在线学习过程

对于每个任务，依次执行以下步骤：

3.1 Coreset更新

选择代表性样本：在处理每个新任务之前，从之前的任务中选择一些代表性样本构成Coreset。这些样本通过贪婪K中心方法选取，确保它们在输入空间中分布均匀，能够代表之前任务的主要特征。

更新Coreset：将新任务的数据与之前任务的Coreset数据合并，形成当前任务的训练数据集。Coreset的大小可以根据需要调整，以平衡计算成本和模型性能。

3.2 参数更新

计算似然：利用当前任务的数据计算模型的似然。似然是衡量模型对当前任务数据的拟合程度的一个指标。

结合先验知识：将之前任务的后验概率作为先验知识，与当前任务的似然结合，更新模型参数的后验概率。通过最小化近似后验概率与真实后验概率之间的差异，优化模型参数。

变分推断：使用蒙特卡洛采样和变分推断技术来近似后验概率。这种方法可以在复杂的模型参数分布下，找到一个近似的最优解，从而提高模型的泛化能力。

3.3 模型训练

训练CNN分类器：使用更新后的后验概率作为模型参数的分布，对CNN分类器进行训练。训练过程中，通过交叉熵损失函数来衡量模型在当前任务上的分类精度，并通过正则化项来限制模型参数的变化，防止对旧任务的遗忘。

优化模型：通过多次迭代训练，优化模型参数，使模型在当前任务上表现良好，同时保持对之前任务的识别能力。

Part.5

实验结果

表1 数据集样本

图5 在二维玩具数据集上训练的ACRM和EWC识别模型的学习能力。

图6 为了将特征维数降至2，我们基于MSTAR数据集的任务1-4的训练SAR图像，比较了ACRM提取的特征与EWC识别模型的可分性。(a) - (d) EWC识别模型。ACRM (e) - (h)。

图7 在MSTAR数据集上，ACRM-Coreset对不同coreset大小的精度。

图8 不同模型在Task t （t = 1:4）上的测试准确率的变化，这些模型在Task t到Task 4上进行了在线训练。结果描述了MSTAR数据集(a) - (d)和FUSARship数据集(e) - (h)。

图9 在Task t到Task 4的训练SAR图像上在线训练的ent模型对Task t （t = 1:4）的平均测试识别准确率。数据点处的误差柱为95%置信区间。结果描述了MSTAR数据集(a) - (d)和FUSARship数据集(e) - (h)。

图10 在MSTAR数据集上跨六个任务订单的ACRM性能。(a)不同任务指令训练完成后，ACRM在综合测试集上的平均准确率。(b) - (g)对于每个指定的训练订单，每个任务测试集的平均准确度ACRM。

图11 在FUSARship数据集上跨六个任务订单的ACRM的性能。(a)不同任务指令训练完成后，ACRM在综合测试集上的平均准确率。(b) - (g)对于每个指定的训练订单，每个任务测试集的平均准确度ACRM。

图12 基于背景杂波强度范围的分割。