許益喬,楊 虹,張占月,張 剛

(1.航天工程大學(xué)，北京 101416； 2.北京遙感信息研究所，北京 100192；3.北京跟蹤與通信技術(shù)研究所, 北京 100094)

1 引言

逆合成孔徑雷達(dá)(ISAR)是一種全天時(shí)、全天候、遠(yuǎn)距離、高分辨的二維成像設(shè)備，在民用以及軍事領(lǐng)域中占有重要的地位。ISAR通過發(fā)射大寬帶信號對目標(biāo)進(jìn)行高分辨成像，可以精確地描述目標(biāo)的結(jié)構(gòu)特性以及散射中心分布，與傳統(tǒng)的雷達(dá)散射截面積(RCS)、高分辨距離像(HRRP)、微多普勒譜圖(MD)等相比，能夠提供更加豐富的目標(biāo)結(jié)構(gòu)信息。因此，利用二維ISAR像進(jìn)行空間目標(biāo)識別一直是空間態(tài)勢感知領(lǐng)域的研究熱點(diǎn)。

現(xiàn)階段，利用空間目標(biāo)二維ISAR像進(jìn)行空間目標(biāo)識別主要依靠人工提取特征，然后使用分類器實(shí)現(xiàn)分類。其中，文獻(xiàn)[15]探索了二維傅里葉變換與極坐標(biāo)映射技術(shù)(FT-PM)在空中目標(biāo)ISAR像分類中的應(yīng)用；文獻(xiàn)[16]提出利用Trace變換提取空中目標(biāo)ISAR像的小維度高判別性特征進(jìn)行分類；文獻(xiàn)[13]將尺度不變特征變換(SIFT)和顯著特征組合在一起，對雷達(dá)圖像進(jìn)行分類；文獻(xiàn)[17]利用多流行正則化低秩近似(MLA)方法獲取SAR圖像的低維表示，以實(shí)現(xiàn)對SAR目標(biāo)的分類識別。盡管傳統(tǒng)方法能夠?qū)崿F(xiàn)空間目標(biāo)識別，但是過程復(fù)雜，耗費(fèi)大量的時(shí)間與精力，且時(shí)效性差。為了實(shí)現(xiàn)空間目標(biāo)識別的自動(dòng)化，最近，深度學(xué)習(xí)(DL)在計(jì)算機(jī)視覺領(lǐng)域引起了人們的廣泛關(guān)注。與手動(dòng)提取特征方法相比，深度學(xué)習(xí)算法憑借多層的網(wǎng)絡(luò)結(jié)構(gòu)，具有自動(dòng)學(xué)習(xí)深層模態(tài)特征、獲取較高分類準(zhǔn)確率等優(yōu)勢。例如，文獻(xiàn)[23]設(shè)計(jì)了一個(gè)包含2層卷積層、2層全連接層的CNN網(wǎng)絡(luò)架構(gòu)。該模型能在不同場景下從非貨船目標(biāo)和海雜波中提取貨船目標(biāo)，取得了很好的分類結(jié)果。此外，文獻(xiàn)[24]提出一種全卷積神經(jīng)網(wǎng)絡(luò)(FCNN)，當(dāng)利用該網(wǎng)絡(luò)對MSTAR數(shù)據(jù)中的10類目標(biāo)進(jìn)行分類時(shí)，識別率達(dá)到99.13%。但受空間目標(biāo)過境時(shí)間短、成像過程復(fù)雜、以及標(biāo)注需要專業(yè)人員等限制，空間ISAR像數(shù)據(jù)缺乏，導(dǎo)致現(xiàn)有的深度學(xué)習(xí)工具直接應(yīng)用于空間目標(biāo)ISAR圖像領(lǐng)域會(huì)出現(xiàn)訓(xùn)練困難、難以實(shí)施等現(xiàn)象。

面對上述問題，遷移學(xué)習(xí)(TL)提供了一種新的解決思路。它將已學(xué)到的知識遷移到僅有少量目標(biāo)數(shù)據(jù)的分類任務(wù)中，以解決不同相關(guān)領(lǐng)域的問題。鑒于此，本文首次提出了小樣本集條件下基于遷移學(xué)習(xí)模型的空間目標(biāo)ISAR像識別方法，首先通過角度旋轉(zhuǎn)、方位向距離向尺度變換、斑點(diǎn)噪聲注入等方式對空間目標(biāo)ISAR像訓(xùn)練數(shù)據(jù)進(jìn)行增強(qiáng)，使訓(xùn)練集涵蓋更多空間分布情況，提升模型泛化性；然后利用遷移學(xué)習(xí)，將預(yù)先預(yù)訓(xùn)練好的AlexNet模型在該數(shù)據(jù)集上進(jìn)行重新訓(xùn)練，完成網(wǎng)絡(luò)權(quán)值的微調(diào)，解決深度神經(jīng)網(wǎng)絡(luò)模型在小樣本情況下的訓(xùn)練過擬合問題；最后研究4種遷移配置下AlexNet遷移學(xué)習(xí)模型的分類性能，并與傳統(tǒng)分類方法進(jìn)行對比，進(jìn)一步驗(yàn)證本文所提方法的有效性。

2 基于遷移學(xué)習(xí)的ISAR像空間目標(biāo)識別方法

2.1 基于遷移學(xué)習(xí)的AlexNet網(wǎng)絡(luò)模型

通常在遷移AlexNet預(yù)訓(xùn)練模型時(shí)有以下2種策略：一是直接將AlexNet模型作為一個(gè)固定的特征提取器，即刪除AlexNet模型的最后一個(gè)全連接層，將AlexNet模型中的其余部分作為空間目標(biāo)ISAR像數(shù)據(jù)集的固定特征提取器，利用所提特征訓(xùn)練一個(gè)分類器從而實(shí)現(xiàn)模型遷移；二是對AlexNet預(yù)訓(xùn)練模型進(jìn)行權(quán)值微調(diào)，在替換掉AlexNet模型中的最后一個(gè)全連接層(FCL)后，將空間目標(biāo)ISAR像數(shù)據(jù)集作為新的輸入，通過反向傳播方式對AlexNet模型的權(quán)值進(jìn)行微調(diào)，從而實(shí)現(xiàn)模型遷移。

對于第1種遷移策略，只有當(dāng)新數(shù)據(jù)集與訓(xùn)練AlexNet的原始數(shù)據(jù)集具有十分相似的特征時(shí)，該遷移策略才較為合適。但是AlexNet的預(yù)訓(xùn)練是在ImageNet上進(jìn)行的，主要為光學(xué)圖像，與雷達(dá)圖像具有較大區(qū)別，且大部分訓(xùn)練目標(biāo)與空間目標(biāo)具有十分不同的特征。因此在空間目標(biāo)ISAR像的分類問題上，并不適合使用該策略來遷移AlexNet預(yù)訓(xùn)練模型。

因此本文選取第2種權(quán)值微調(diào)策略對AlexNet預(yù)訓(xùn)練模型進(jìn)行遷移。本文所提出的基于遷移學(xué)習(xí)的AlexNet網(wǎng)絡(luò)模型的算法流程如圖1所示，其中CL1～CL5為卷積層，F(xiàn)CL6～FCL8是全連接層。模型的圖像輸入大小為227×227，輸出為空間目標(biāo)類別。

在對AlexNet模型進(jìn)行遷移學(xué)習(xí)時(shí)使用微調(diào)AlexNet預(yù)訓(xùn)練模型的策略，即修改AlexNet的FCL8的輸出，由輸出1000維修改為5維。修改的FCL8的參數(shù)如表1所示。

圖1 本文整體算法流程圖

表1 替換AlexNet的最后一個(gè)FCL

表1中，Softmax層使用的激活函數(shù)為softmax。softmax函數(shù)是二分類Logistic回歸模型在多分類問題上的擴(kuò)展，有多少個(gè)分類softmax函數(shù)的輸出層，則擁有多少個(gè)單元。在softmax函數(shù)作用下每個(gè)神經(jīng)單元都會(huì)計(jì)算出當(dāng)前樣本屬于本類的概率。其表達(dá)式為：

(1)

式(1)中：,,,…,表示權(quán)重；,,,…,表示偏置；表示神經(jīng)元的輸出；表示類別數(shù)，本文中=5。

為更好改善網(wǎng)絡(luò)識別性能，對AlexNet預(yù)訓(xùn)練模型的深、淺層權(quán)值設(shè)置不同的學(xué)習(xí)遷移模型訓(xùn)練，即將AlexNet的淺、深層結(jié)構(gòu)的學(xué)習(xí)率分別設(shè)置為10和10。劃分AlexNet預(yù)訓(xùn)練模型深淺層有以下4種方式：遷移配置1，[(CL1,CL2,CL3,CL4,CL5,FCL6,FCL7),()]；遷移配置2，[(CL1,CL2,CL3,CL4,CL5,FCL6),(FCL7)]；遷移配置3，[(CL1,CL2,CL3,CL4,CL5),(FCL6,FCL7)]；遷移配置4，[(CL1,CL2,CL3,CL4),(CL5,FCL6,FCL7)]。以遷移配置4為例進(jìn)行說明，其中(CL1,CL2,CL3,CL4)表示將AlexNet預(yù)訓(xùn)練模型的CL1,CL2,CL3,CL4作為淺層，初始權(quán)值與AlexNet預(yù)訓(xùn)練模型的權(quán)值保持一致，選取學(xué)習(xí)率為10；(CL5,FCL6,FCL7)表示將AlexNet預(yù)訓(xùn)練模型的CL5,FCL6,FCL7作為深層，初始權(quán)值與AlexNet預(yù)訓(xùn)練模型的權(quán)值保持一致，選取學(xué)習(xí)率為10。其他遷移設(shè)置依此類推，4種遷移配置方式如圖2所示。

圖2 4種遷移配置方式示意圖

2.2 ISAR成像模型

空間目標(biāo)ISAR像是空間目標(biāo)的高能散射中心在二維平面上的分布。ISAR成像系統(tǒng)根據(jù)空間目標(biāo)的電磁散射特性，將空間目標(biāo)中的組成部分(如太陽能帆板、天線、本體等部位)映射到一個(gè)二維的圖像投影平面(IPP)上，從而獲得空間目標(biāo)的ISAR像，ISAR的成像示意圖如圖3。通過圖3的成像模型，利用空間目標(biāo)的三維模型，生成5類空間目標(biāo)，部分樣例如圖4所示。

圖3 空間目標(biāo)ISAR像獲取示意圖

圖4 5類空間目標(biāo)的三維模型及其ISAR像

2.3 數(shù)據(jù)增強(qiáng)

為了確定選用何種數(shù)據(jù)增強(qiáng)方式，接下來首先分析影響空間目標(biāo)ISAR像的各種因素。

2.3.1 圖像投影平面(IPP)的影響

IPP決定了空間目標(biāo)在ISAR圖像中的呈現(xiàn)形式。IPP的確定取決于相干處理間隔(CPI)內(nèi)雷達(dá)視線(RLOS)方向和空間目標(biāo)相對于雷達(dá)的轉(zhuǎn)動(dòng)矢量方向。因此受目標(biāo)運(yùn)動(dòng)狀態(tài)影響，實(shí)際成像過程中存在多種IPP，導(dǎo)致空間目標(biāo)ISAR像的空間分布以及空間指向出現(xiàn)可變性。圖5展示了2種不同IPP及其對應(yīng)的ISAR像。

圖5 2種不同IPP及其對應(yīng)的ISAR像

2.3.2 方位向分辨率的影響

Δ=2

Δ=2

(2)

圖6 具有不同方位分辨率Δy的2張ISAR像

2.3.3 采樣率的影響

線性調(diào)頻信號是雷達(dá)系統(tǒng)中經(jīng)常使用的信號。當(dāng)雷達(dá)系統(tǒng)對接收到來自目標(biāo)的線性調(diào)頻信號進(jìn)行ISAR成像處理時(shí)，首先需要利用A/D轉(zhuǎn)換器對信號進(jìn)行采樣，然后再對信號進(jìn)行匹配濾波，平動(dòng)補(bǔ)償以及方位向上的快速傅里葉變換。其中，A/D采樣率是影響ISAR像的重要因素，因?yàn)?span id="syggg00" class="subscript">決定了距離像在匹配濾波后的網(wǎng)格間距2，從而導(dǎo)致ISAR像在距離向上的空間分布具有可變性。圖7展示了2種不同采樣率對應(yīng)的ISAR像。

2.3.4 其他因素的影響

由于目標(biāo)的RCS對方位角的依賴性較強(qiáng)，使得自遮擋、非線性散射機(jī)制以及調(diào)制引起的載頻變化等因素將進(jìn)一步增強(qiáng)ISAR像的可變性。此外，不完全地平移運(yùn)動(dòng)補(bǔ)償(TMC)引起的ISAR像散焦與模糊也會(huì)影響ISAR像的空間分布。

通過上述分析，最終對ISAR像采用的數(shù)據(jù)增強(qiáng)方式主要包括：角度旋轉(zhuǎn)、方位向與距離向上的尺度變換以及斑點(diǎn)噪聲注入。具體為：① 旋轉(zhuǎn)，從-90°開始，每次旋轉(zhuǎn)20°，旋轉(zhuǎn)區(qū)間為[-90°,90°]；② 方位向尺度變換，按一定的比例因子對空間目標(biāo)沿方位向進(jìn)行縮放，比例因子的取值依次為0.3,0.7,1.1,…,3.9；③ 距離向尺度變換，按一定的比例因子對空間目標(biāo)沿距離向進(jìn)行縮放，比例因子的取值依次為0.3,0.7,1.1,…,3.9；④ 噪聲注入，分別給方位向尺度變換與距離向尺度變化后的圖像注入斑點(diǎn)噪聲，噪聲服從均值為0方差為0.1的高斯分布。數(shù)據(jù)增強(qiáng)的結(jié)果如圖8所示。

圖7 2種不同采樣率對應(yīng)的ISAR像

圖8 ISAR像數(shù)據(jù)增強(qiáng)結(jié)果

在進(jìn)行數(shù)據(jù)增強(qiáng)操作后，每個(gè)原始訓(xùn)練圖像會(huì)產(chǎn)生總共1+5×10 = 51張新圖像。在本文任務(wù)中，測試集占總數(shù)據(jù)量的30%，剩余數(shù)據(jù)中訓(xùn)練集占70%，驗(yàn)證集占30%。由于每類空間目標(biāo)有265張ISAR像，因此隨機(jī)選擇130張用于訓(xùn)練，56張用于驗(yàn)證、79張用于測試。那么在數(shù)據(jù)增強(qiáng)之后，每種空間目標(biāo)的訓(xùn)練數(shù)據(jù)集中總共有6 630張ISAR圖像。因此，由5類空間目標(biāo)所組成的新訓(xùn)練集中，共有5×130×51 = 33 150張ISAR像。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 AlexNet遷移學(xué)習(xí)模型的訓(xùn)練效果評估

空間目標(biāo)ISAR像的識別屬于多分類問題，故采用訓(xùn)練準(zhǔn)確率(training accuracy)以及交叉熵?fù)p失(training loss)來評估AlexNet遷移學(xué)習(xí)模型的訓(xùn)練效果。下面分別給出其定義：

(3)

為了減少訓(xùn)練過程中的交叉熵?fù)p失，提高訓(xùn)練準(zhǔn)確度，有必要為AlexNet遷移學(xué)習(xí)模型選擇合適的優(yōu)化器(optimizer)。鑒于Adam優(yōu)化器集成了AdaGard與RMSProp的主要優(yōu)點(diǎn)，不僅如RMSProp算法那樣基于一階矩均值計(jì)算權(quán)值的適應(yīng)性學(xué)習(xí)率，還充分利用了梯度的二階矩均值，使模型訓(xùn)練具有更快的收斂速度。因此，論文采用Adam優(yōu)化器進(jìn)行AlexNet遷移學(xué)習(xí)模型的加速訓(xùn)練。

圖9給出了4種遷移配置下的訓(xùn)練結(jié)果。

圖9 4種遷移配置下AlexNet遷移學(xué)習(xí)模型的訓(xùn)練結(jié)果圖

如圖9所示，4種遷移配置下AlexNet遷移學(xué)習(xí)模型均達(dá)到了較好的訓(xùn)練效果，訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率隨著訓(xùn)練時(shí)間的增加而不斷提高，并最終收斂到一個(gè)較高水平。其中，第1種遷移配置下的最終訓(xùn)練準(zhǔn)確率與驗(yàn)證準(zhǔn)確率分別為98.50%、95.36%；第2種遷移配置下的最終訓(xùn)練準(zhǔn)確率與驗(yàn)證準(zhǔn)確率分別為99.50%、97.14%；第3種遷移配置下的最終訓(xùn)練準(zhǔn)確率與驗(yàn)證準(zhǔn)確率分別為98.50%、95.71%；第4種遷移配置下的最終訓(xùn)練準(zhǔn)確率與驗(yàn)證準(zhǔn)確率分別為99.50%、95.36%。相應(yīng)地，訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)的交叉熵?fù)p失隨著訓(xùn)練時(shí)間的增加而不斷減小，最終趨近一個(gè)較小值。其中，第1種遷移配置下的最終交叉熵?fù)p失與驗(yàn)證交叉熵?fù)p失為0.256 7%、0.021 7%；第2種遷移配置下的最終交叉熵?fù)p失與驗(yàn)證交叉熵?fù)p失為0.012 0%、0.164 4%；第3種遷移配置下的最終交叉熵?fù)p失與驗(yàn)證交叉熵?fù)p失為0.024 5%、0.179 7%；第4種遷移配置下的最終交叉熵?fù)p失與驗(yàn)證交叉熵?fù)p失為0.021 8%、0.139 8%。

3.2 分類結(jié)果與對比分析

本節(jié)基于訓(xùn)練好的AlexNet遷移學(xué)習(xí)模型，對4種配置下的模型分類性能進(jìn)行了對比分析。同時(shí)研究了數(shù)據(jù)增強(qiáng)對AlexNet遷移學(xué)習(xí)模型分類性能的影響。最后將模型的分類性能與其他遷移方式及傳統(tǒng)方法進(jìn)行了對比。

3.2.1 遷移配置對分類性能的影響

為了確定不同遷移配置下模型分類性能的差異，本節(jié)利用3.1節(jié)中訓(xùn)練得到的4種AlexNet遷移學(xué)習(xí)模型，對測試數(shù)據(jù)進(jìn)行分類。圖10給出了4種模型在對測試數(shù)據(jù)進(jìn)行分類時(shí)得到的混淆矩陣，相應(yīng)的分類準(zhǔn)確率如表2所示。

圖10 4種遷移配置下AlexNet遷移學(xué)習(xí)模型的測試結(jié)果

表2 4種遷移配置下AlexNet遷移學(xué)習(xí)模型的 測試準(zhǔn)確率Table 2 Test accuracy of ATLM under four TL settings

圖10(a)～圖10(d)中，橫坐標(biāo)表示預(yù)測值，縱坐標(biāo)表示真實(shí)值，斜對角線上的值表示正確分類結(jié)果。如圖10與表2所示，4種配置下的AlexNet遷移學(xué)習(xí)模型均具有較高的分類性能，平均分類準(zhǔn)確率達(dá)到了94.87%。為避免實(shí)驗(yàn)過程中訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的隨機(jī)選取給空間目標(biāo)分類效果造成影響，接下來按原始比例重新隨機(jī)劃分?jǐn)?shù)據(jù)集，并對4種遷移配置下的模型進(jìn)行重新訓(xùn)練、測試。5次檢驗(yàn)結(jié)果在表3中給出。

表3 4種配置下的AlexNet遷移學(xué)習(xí)模型在5次試驗(yàn)中的測試準(zhǔn)確率(%)

表3中給出了4種遷移配置下AlexNet遷移學(xué)習(xí)模型在5次試驗(yàn)中的測試準(zhǔn)確率，4種遷移配置下AlexNet遷移學(xué)習(xí)模型在5次試驗(yàn)中均表現(xiàn)出了較好的分類性能。遷移配置1到遷移配置4的平均測試準(zhǔn)確率分別為93.32%、94.94%、93.98%、95.19%。4種遷移配置在5次試驗(yàn)中的平均測試準(zhǔn)確率達(dá)到了94.36%，驗(yàn)證了本文方法的有效性。其中第4種配置下AlexNet遷移學(xué)習(xí)模型的平均分類準(zhǔn)確率相對最高為95.19%，第1種遷移配置下AlexNet遷移學(xué)習(xí)模型的平均分類準(zhǔn)確率相對最低為93.32%。最高平均分類準(zhǔn)確率與最低平均分類準(zhǔn)確率相差1.87%。說明在數(shù)據(jù)增強(qiáng)條件下，4種不同配置對AlexNet遷移學(xué)習(xí)模型的分類性能影響較小。

3.2.2 數(shù)據(jù)增強(qiáng)對分類性能的影響

為了確定數(shù)據(jù)增強(qiáng)對AlexNet遷移學(xué)習(xí)模型分類性能的影響，本文利用未增強(qiáng)數(shù)據(jù)對4種不同配置下的AlexNet遷移學(xué)習(xí)模型進(jìn)行重新訓(xùn)練，5次測試結(jié)果如表4所示。其中，訓(xùn)練數(shù)據(jù)650張、驗(yàn)證數(shù)據(jù)280張、測試數(shù)據(jù)395張。結(jié)果如圖11所示。

表4 數(shù)據(jù)未增強(qiáng)時(shí)4種配置下的AlexNet遷移學(xué)習(xí)模型在5次檢驗(yàn)中的測試準(zhǔn)確率(%)

圖11 數(shù)據(jù)增強(qiáng)與數(shù)據(jù)未增強(qiáng)條件下AlexNet遷移學(xué)習(xí)模型的分類效果

表4中給出了數(shù)據(jù)未增強(qiáng)時(shí)4種配置下AlexNet遷移學(xué)習(xí)模型在5次試驗(yàn)中的測試準(zhǔn)確率，未采用數(shù)據(jù)增強(qiáng)時(shí)，4種配置下模型的平均分類準(zhǔn)確率相較表3有所降低。配置1到配置4的平均測試準(zhǔn)確率分別為92.20%、91.44%、90.78%、89.82%。4種配置在5次試驗(yàn)中的平均測試準(zhǔn)確率為91.06%。其中第1種配置下AlexNet遷移學(xué)習(xí)模型的平均分類準(zhǔn)確率相對最高為92.20%；第2、3、4種配置下模型的平均分類準(zhǔn)確率依次降低，分別為91.44%、90.78%及89.82%。說明數(shù)據(jù)未增強(qiáng)時(shí)，遷移模型權(quán)值調(diào)整越小、模型的分類性能越好。

由圖11所示，數(shù)據(jù)增強(qiáng)有效提高了AlexNet遷移學(xué)習(xí)模型的分類性能。其中4種配置條件下對應(yīng)的平均分類準(zhǔn)確率分別提升了1.12%、3.50%、3.20%、5.37%。平均分類準(zhǔn)確率的提升均值為3.30%。說明本文針對空間目標(biāo)ISAR像的數(shù)據(jù)增強(qiáng)方式，可以提升AlexNet遷移學(xué)習(xí)模型的泛化性，在一定程度上避免模型出現(xiàn)過擬合現(xiàn)象。

3.2.3 與其他遷移方式及分類方法進(jìn)行對比

如2.1節(jié)中所述，遷移方式還包括將AlexNet預(yù)訓(xùn)練模型作為特征提取器(后文統(tǒng)一稱特征提取器AlexNet)，直接提取空間目標(biāo)的深層特征，然后利用所提特征訓(xùn)練一個(gè)分類器從而實(shí)現(xiàn)模型遷移。為對比2種遷移方式的分類性能，本節(jié)利用特征提取器AlexNet提取空間目標(biāo)ISAR像的特征，并采用支持向量機(jī)(SVM)對所提特征進(jìn)行分類。表5給出了此種遷移方式下的5次交叉檢驗(yàn)分類準(zhǔn)確率。

表5 特征提取方式下的5次交叉檢驗(yàn)分類準(zhǔn)確率(%)

如表5所示，特征提取方式下的平均分類準(zhǔn)確率為85.11%。低于本文所采用權(quán)值微調(diào)遷移方式下的分類準(zhǔn)確率(數(shù)據(jù)增強(qiáng)條件下4種遷移配置的平均分類準(zhǔn)確率分別為93.32%、94.94%、93.98%、95.19%；數(shù)據(jù)不增強(qiáng)條件下4種遷移配置的平均分類準(zhǔn)確率分別為92.20%、91.44%、90.78%、89.82%)。該結(jié)果說明權(quán)值微調(diào)的遷移方式更適合于空間目標(biāo)ISAR像的分類。

為了進(jìn)一步證明權(quán)值微調(diào)的遷移方式所得到的遷移模型具有更好的分類性能，將3.2.1節(jié)中訓(xùn)練得到的AlexNet遷移學(xué)習(xí)模型也作為特征提取器，提取空間目標(biāo)ISAR像的特征，并利用SVM分類器對所提特征進(jìn)行分類。表6給出了此方式下的5次交叉檢驗(yàn)分類結(jié)果。

表6 AlexNet遷移學(xué)習(xí)模型作為特征提取器方式下的5次交叉檢驗(yàn)分類準(zhǔn)確率(%)

由表6可知，相比于特征提取器AlexNet所提特征，4種配置下AlexNet遷移學(xué)習(xí)模型所提特征具有更好的目標(biāo)表現(xiàn)力。此方式下，遷移配置1到遷移配置4的平均分類準(zhǔn)確率分別為94.18%、95.39%、94.33%、95.80%。相比于表5中的85.11%，平均分類準(zhǔn)確率分別高出9.07%、10.28%、9.22%、10.69%。從而驗(yàn)證了權(quán)值微調(diào)的遷移方式所得到的遷移模型具有更好的分類性能。

與傳統(tǒng)手動(dòng)提取特征的目標(biāo)分類方法相比，本文基于遷移學(xué)習(xí)的分類方法無需手動(dòng)提取特征，節(jié)約了大量人力物力，且時(shí)效性強(qiáng)。為了進(jìn)一步檢驗(yàn)本文分類方法相比于傳統(tǒng)分類方法的分類性能，本文將傳統(tǒng)方法的分類結(jié)果與本文方法的分類結(jié)果進(jìn)行了對比。傳統(tǒng)方法主要包括FT-PM、Trace(Radon)、ITTI+SIFT和MLA等，選用配置4下的AlexNet遷移學(xué)習(xí)模型(TLM)。表7給出了傳統(tǒng)方法與本文方法在進(jìn)行5類空間目標(biāo)ISAR像分類后的結(jié)果。圖12給出了直方圖。

由表7與圖12可知，相比于傳統(tǒng)方法，AlexNet遷移學(xué)習(xí)模型具有更好的分類性能，總的分類準(zhǔn)確率比次優(yōu)方法高出8.86%。同時(shí)，本文方法無需手動(dòng)提取特征，可以對空間目標(biāo)ISAR像進(jìn)行自動(dòng)識別，因而更適用于實(shí)際中的空間目標(biāo)分類任務(wù)。

表7 本文方法與傳統(tǒng)方法的分類結(jié)果(%)

圖12 本文方法與傳統(tǒng)方法分類結(jié)果直方圖

4 結(jié)論

本文提出了一種基于數(shù)據(jù)增強(qiáng)與遷移學(xué)習(xí)的空間目標(biāo)ISAR像識別新方法。該方法通過數(shù)據(jù)增強(qiáng)操作使空間目標(biāo)ISAR像的訓(xùn)練集涵蓋更多的空間分布情況。并以預(yù)訓(xùn)練好的AlexNet深度網(wǎng)絡(luò)模型為基礎(chǔ)，采用權(quán)值微調(diào)策略實(shí)現(xiàn)模型遷移，從而解決了小樣本集下利用ISAR像進(jìn)行空間目標(biāo)快速自主識別難的問題。仿真算例表明：

1) 該方法可以實(shí)現(xiàn)小樣本數(shù)據(jù)條件下空間目標(biāo)ISAR像的快速自主識別，具有較高的分類準(zhǔn)確率。

2) 數(shù)據(jù)增強(qiáng)操作可以有效提高AlexNet遷移學(xué)習(xí)模型的分類性能，一定程度上避免擬合現(xiàn)象。

3) 采用權(quán)值微調(diào)遷移策略訓(xùn)練得到的模型對空間目標(biāo)ISAR像的分類性能，要高于直接將預(yù)訓(xùn)練好的AlexNet深度網(wǎng)絡(luò)模型作為特征提取器的分類方式。

4) 與傳統(tǒng)手動(dòng)特征提取方法相比，AlexNet遷移學(xué)習(xí)模型無需手動(dòng)提取特征，且具有更好的分類性能。