深度學習在雷達中的研究綜述（二）

其中， J(w,b) 為對應自編碼器代價函數， β

 為控制系數性懲罰因子權重。

2.3 DBN基本原理

DBN是一個概率生成模型，其建立一個觀測數據與標簽之間的聯合分布。并且DBN由多個受限玻爾茲曼機(Restricted Boltzmann Machine, RBM)組成，典型的DBN結構如圖4所示。該網絡由隱層和可視層組成，且層間存在連接，層內單元不存在連接。

圖 4 DBN結構示意圖Fig.4 Typical DBN structure

在典型的RBM中，其能量可表示為：

其中， b

 , c , w 分別為對應可視層、隱層和可視層與隱層之間連接的權重， Nv 為可視層節點數， Nh 為隱層節點數， v 為可視層輸出， h 為隱層輸出。則進一步表示出隱層神經元 hj

 被激活的概率為：

其中， σ

 為激活函數。同一層神經元之間存在獨立性。所以，概率密度函數滿足：

在訓練過程中，當一條數據賦給可視層時，計算出每個隱層的開啟概率， P(hj|x),j=1,2,???,Nh

 ，進而比較其與閾值關系，大于閾值則激活，否則不激活。實現通過隱層計算出了可視層，之后通過對比散度算法對網絡參數進行學習。具體地，首先，將 x 賦給可視 v1 ，得到隱層的激活概率為 P(h1|v1) ，在該概率密度函數中采取Gibbs抽樣抽取一個樣本 h1～P(h1|v1) ；之后，通過 h1 重構可視層，計算可視層中每個神經元被激活的概率P(v2|h1) ，同樣，從計算得到的概率分布中采取Gibbs抽樣抽取一個樣本 v2～P(v2|h1) ；最后，通過 v2 計算隱層中每個神經元被激活的概率 h2～P(h2|v2)

 ，以此類推。權值更新為：

若干次訓練后，隱層不僅能準確地表示可視層特征，而且還能還原可視層。

3 基于深度學習的SAR圖像處理研究

通過上一節的介紹，可對典型的CNN, SAE, DBN算法基本處理過程具備一定了解。在此基礎上，對雷達數據進行相應的處理成為該領域的研究熱點。通過上述深度學習算法完成相應的雷達數據處理任務，并與傳統方法進行對比。進一步驗證了深度學習方法在進行自適應特征提取中存在的顯著優勢。

在雷達領域中，SAR是一種兼具距離向和方位向高分辨能力的成像雷達。其一方面作勻速直線運行，一面以一定的脈沖重復頻率發射并接收信號。在距離向方面，它利用發射大時間帶寬積的線性調頻信號，采用脈沖壓縮技術來獲取高分辨率；在方位向，它利用目標和雷達相對運動形成的軌跡構成一個合成孔徑，以取代龐大的陣列實孔徑，獲得方位向高分辨率。此外，SAR成像技術相對于光學遙感技術，主要具有以下優點：SAR利用地表反射的主動式電磁波成像，不需要傳統光學成像的發光源，能夠實現全天時、全天候的對地觀測；當雷達波長選擇恰當時，SAR能夠穿透云霧、植被等覆蓋物，觀測到被隱藏的地物；SAR可以是多極化、多頻段的，使圖像具有豐富的相位等極化信息，有助于SAR圖像的地物分類。鑒于SAR的眾多優點，其在軍事和民用領域得到廣泛應用。

近些年，隨著深度學習的研究熱度逐漸增加，將深度學習方法運用到SAR圖像處理成為新的研究熱點。本節主要介紹深度學習算法在SAR圖像處理中的研究情況。在該領域中，上一節主要介紹的CNN, DBN及SAE均在該領域均取得一定的研究成果。

3.1 基于CNN的SAR圖像處理研究

基于CNN的SAR圖像處理最廣泛的應用主要集中在目標識別中，且典型的算法驗證數據庫為MSTAR數據，通過對該數據進行識別處理，從而對比不同方法的識別效果。該數據庫包含10類目標，其示意圖如圖5所示。通過調研發現，基于CNN對SAR圖像進行目標類型識別基本保證獲得相比于傳統目標識別方法更高的識別率。例如，南京理工大學的袁秋壯等人將CNN應用于SAR目標識別^[40]，該CNN網絡包括2層卷積層，2層下采樣層，3層dropout，2層全連接層。最終對MSTAR數據進行分類，平均識別率達到96.29%。此外，文獻[41]選擇對艦船數據進行訓練及測試，其對4個場景下的SAR數據進行包含2層卷積層、2層全連接層的CNN訓練，保證該網絡對4個場景艦船SAR圖像均具有穩定的識別能力，進而對一個場景下艦船進行識別測試。結果顯示，該網絡能從非貨船目標和海雜波中提取貨船目標。在上述文獻中，由于缺少在不同艦船姿態情況下的艦船數據，因此訓練得到的CNN對不同艦船姿態SAR圖像適應性較差，導致對于不同姿態的艦船識別率還有待提高。為了解決該問題，需要通過對訓練數據進行完善，增加不同艦船姿態SAR圖像情況。

圖 5 MSTAR數據示意圖Fig.5 Illustration of MSTAR data

為了解決訓練數據量不足的問題，有學者提出通過一系列處理提升用于測試和訓練的SAR質量，使訓練圖像能夠盡量完備地代表實際待分類的圖像情況。例如，西安電子科技大學的陳波團隊^[42]對MSATAR圖像分別進行了目標位置的平移，加入隨機斑點噪聲的操作，之后再進行識別測試。在原始數據、目標位置平移、加入斑點噪聲3種情況下，通過CNN得到的識別率與傳統SVM等方法進行比較。CNN方法識別率分別為93.16%，82.40%以及91.89%。而傳統SVM方法下，識別率僅為75.68%，17.05%以及70.58%。其中，由于對目標位置進行了平移變換，傳統SVM方法識別率下降劇烈，而CNN方法識別率相對于原始數據，識別率僅下降10%左右，即說明CNN方法相對傳統方法具有更優的魯棒性。哈爾濱工業大學的朱同宇^[43]在經典CNN模型基礎上引入ReLU激活函數、L2正則化、批量歸一化以及Dropout等現代深度學習技術，并使用目標鏡像、目標位移、目標旋轉以及加入噪聲這4種SAR圖像的數據增強方法，有效地抑制了過擬合問題。此外，其分別通過MSTAR實測數據集和OKTAL仿真數據集數據進行網絡性能測試。其中，在運用MSTAR數據，且在原始測試集識別率達到98.22%的情況下，經過4種擴充測試集，保證準確率仍在90%以上。同樣在對OKTAL仿真數據集進行測試時，平均識別率達到94.51%。可見，對于CNN方法而言，在一定程度下魯棒性優于傳統識別方法，且當訓練樣本與測試樣本更加接近時，所訓練網絡特征提取越準確，識別率優勢明顯。此外，文獻[44]提出通過兩級CNN識別虛假目標。第1級CNN輸入數據為原始SAR圖像，且包含4類目標，每類分別由真實和虛假目標組成；第2級CNN輸入數據為對陰影進行增強的處理后圖像，每類目標的真實和虛假目標分別為兩類，即完成8類目標的識別。文獻[45,46]均對包含光學圖像和SAR圖像兩模態數據進行CNN目標識別。其中，文獻[45]通過對云的光學圖像、SAR圖像進行CNN分類，獲得天氣情況。文獻[46]對兩模態數據分別進行不同通道的CNN特征提取，之后將獲取的兩通道特征圖進行全連接處理，進行分類器分類，即實現多模態數據分類識別。文獻[47]通過CNN對TerraSAR-X高分辨圖像進行分類，實現貨船、游輪、直升機、平臺以及港口的分類。在分類前，對感興趣區域需進行檢測預處理。

另外，極化SAR數據相比于單通道SAR，更能體現雷達的入射角、SAR圖像噪聲等信息，因此，應用場景更加廣泛。文獻[48–52]則對于極化SAR數據進行CNN處理，實現識別效果。其中，文獻[48]通過對雙極化SAR數據進行3D-CNN處理，實現對海水濃度進行判斷，從而對由于冰川造成航船行駛的危害進行預警。文獻[49]通過對多通道SAR數據進行6維實向量提取，然后對該6維實向量進行CNN分類。其中，對于極化SAR而言，其可表示為3×3的相干復矩陣 T

 ：

其中，對應的6維實向量分別為：

其中， A

 為所有極化通道的總散射功率， SPAN=T11 +T22+T33 , B 和 C 分別為 T22 和 T33 的歸一化功率比， D , E 和 F

 分別為相關系數。對于該6維實向量進行包含2層卷積層，2層最大池化層，1層全連接層和softmax分類器的CNN架構建立。并且分別對典型的San Francisco和Flevoland多極化SAR數據庫中的數據進行分類處理，San Francisco數據在訓練和識別部分分別獲得的識別率為99.43%和90.23%，Flevoland數據的訓練和識別準確率分別為99.20%和97.66%。此外，復旦大學的徐豐、王海鵬、金亞秋提出對極化SAR數據進行復數CNN(Complex Value-CNN, CV-CNN)識別，文獻[50]對同樣的Flevoland數據進行包含2層卷積層，1層池化層以及1層全連接層的CV-CNN進行地物目標分類，平均識別率達到95.97%。文獻[51]則分別將實數CNN (Real Value-CNN, RV-CNN)與CV-CNN進行識別性能上的對比。兩模型均包含2層卷積層，1層池化層，1層全連接層，且均對Flevoland數據進行分類，準確率分別為97.3%和99.0%。可見，針對極化SAR數據直接在復數域進行CNN處理效果稍優于實數域情況。

此外，由于傳統CNN模型針對SAR目標識別處理問題仍存在提升空間，尤其是網絡訓練存在一定的資源浪費，訓練效率較低。其中，文獻[52]提出一種全卷積神經網絡(All-Convolutional Neural Network, ACNN)，即在傳統CNN模型下，將全連接層替換為稀疏連接層，從而針對MSTAR數據進行10類目標分類，識別率達到99.13%。該文獻方法主要用于應對網絡資源浪費的問題。在實際訓練結果中可能存在部分權值、偏置參數接近0的情況，該部分對目標識別未起到任何作用，造成資源一定程度的浪費。此外，SAR圖像質量本身受相干斑噪聲、幾何畸變和結構缺失等因素的嚴重影響，該因素導致人工標注困難，這使CNN的泛化能力急劇下降。針對這個問題，上海交通大學的趙娟萍等人^[53]提出基于概率轉移模型的CNN (Probability Transition CNN, PTCNN)方法，建立對帶噪聲的圖像標記與無噪聲情況之間的概率轉移模型，建立噪聲標記轉移層，該網絡能夠增強帶噪聲標記情況下分類的魯棒性。文獻[54,55]通過CNN對SAR圖像進行去斑點噪聲處理，經過該處理后，圖像質量明顯提升，減小噪聲對SAR圖像的干擾，便于后續分類識別問題研究。其中，文獻[54]將原始帶噪聲的SAR圖像轉換到log域，并由于斑點噪聲屬于乘性噪聲，在log域減去通過深度網路學習到的噪聲，并最終通過exp處理獲得去斑后SAR圖像。其中，斑點噪聲為網絡的學習目標，通過對去噪后圖像的圖像質量進行視覺觀察和參數評價，可以發現圖像質量提升明顯。但是，該文獻方法進行的對數-指數轉換處于網絡外的處理，為了進一步減少網絡學習外的處理過程，文獻[55]直接進行端對端的斑點噪聲學習。其借鑒殘差網絡建立方法，將帶噪聲SAR圖像與學習噪聲相除，得到去噪后圖像，且通過去噪后圖像與無噪聲圖像之間差距作為網絡損失函數，迭代更新網絡參數。通過該方法進行的SAR圖像去噪效果更優。

在基于CNN的類型識別方面，仍存在大量衍生網絡的研究。文獻[56]實現基于SAR圖像的災后地質損失情況快速評估網絡結構。其分為區域選擇和損失類型識別兩部分。在區域選擇部分，其通過CNN衍生得到的SqueezeNet方法^[57]提取受災區域。該網絡的創新點為將網絡分為squeeze層與expand層。其中squeeze層通過一個1×1卷積核進行卷積，expand層是通過1×1和3×3卷積核進行卷積，expand層中，把1×1和3×3得到的feature map 進行連接。其整體思想是圖像的分辨率是不變的，僅改變特征圖的維數，即通道數。對于區域篩選結果進行基于WRN (Wide Residual Network, WRN)^[58]的損失類型識別。該網絡是以CNN為基礎，衍生出的ResNet的改進網絡。針對在訓練過程中，僅很少的殘差模塊能學到有用的表達，而大部分殘差模塊并不對最終網絡分類構成影響，對網絡進行寬度提升，深度減小的處理。

此外，在SAR圖像目標分割領域，雖然其研究不如目標識別那樣廣泛，但仍有學者借鑒CNN方法實現目標分割。其中，西安電子科技大學的于文倩^[59]對CNN算法的結構進行粒子群優化(Particle Swarm Optimization, PSO)改進，調整網絡結構，形成一種基于超像素和正交PSO修正深度學習的圖像分割方法。實驗表明，該方法不僅能夠實現SAR圖像的目標分割，同時能夠加快網絡學習速度。