摘要
合成孔径雷达（SynergisticApertureRadar,SAR）能够在全天时、全天候和远程条件下生成高分辨率的雷达图像，因此SAR图像在现代情报、监视、目标捕获和侦察等方面扮演着重要的角色。同时，随着深度学习框架在计算机视觉领域的成功应用，大量相关研究也成功应用于SAR图像目标识别领域。然而，与光学图像相比，获取带标签的SAR图像是困难的，在缺乏足够标签（即小数据样本情况）的SAR图像目标识别应用场景中会出现过拟合问题。针对以上难点问题，本文以深度表征学习为基础，结合自监督学习和知识迁移等技术展开研究。具体研究内容主要分为以下两点: （1）现有的自监督学习算法对小样本SAR图像表征能力不足，无法充分SAR图像样本的表征信息。因此，本文将无标注SAR数据通过孪生特征提取网络模块中的数据增强方式建立正负样本对;其次，通过孪生自监督学习模块中的对比学习头部网络和特征冗余降低头部网络，依据无监督对比学习损失函数和特征信息冗余损失函数进行联合优化，进而得到具有较好表征能力的预训练网络;最后，将自监督预训练网络权重加载到下游网络中，并通过交叉熵损失对下游网络进行小样本SAR图像目标识别任务。实验结果表明，本文所提方法之一（孪生自监督学习算法）可在无标注数据中获得较好的表征能力，有效地改善小样本SAR图像识别任务中的过拟合问题。 （2）现有的关于自监督对比学习的理论解释忽略了负样本对之间的关系是如何优化的。同时，在经过对比学习方法的训练后，样本表征的信息熵下降，违背了信息最大化（InformationMaximization,InfoMax）原则，成为另一个难题。为了克服上述问题，本章首先从理论上分析了这一现象，证明对比学习损失在理论上只能减少正样本对之间的条件熵，而增加负样本对之间的条件熵。同时，它不能有效控制样本表征的信息熵。因此，本文提出了一种熵增的视觉表征对比学习方法，通过在对比学习模型中加入熵增模块，可以将样本从特征空间映射到概率空间，起到估计样本表征信息熵的作用。之后,采用熵增损失函数来增加样本表征的信息熵。最后，在四个公共基准数据集和三个对比学习模型上对所提出的方法进行了评估，用于小规模标注数据的图像识别任务。实验结果表明，本文所提方法之一（熵增对比学习算法）同样可以有效地改善小样本SAR图像识别任务中的过拟合问题。
NETL