摘要
合成孔径雷达（SyntheticApertuneRadar,SAR）图像目标识别在情报侦查，自然环境监测中具有广泛应用。借助于强大的非线性表达能力，深度神经网络为合成孔径雷达图像目标识别带来显著的性能提升。然而，传统的深度学习方法需要成百上千的有标注数据才能取得理想的识别率，而标注大量的SAR数据需要研究相关的政治，地理，军事的遥感领域专家来判读，这不利于SAR图像的智能解译。因此，小样本目标识别算法成为研究重点。 从大量无标注数据中挖掘监督信息并为无标注数据赋予伪标签信息的自监督学习方法可出色完成小样本目标识别任务。然而SAR图像呈现的目标与光学图像的目标在几何形状，灰度级别等方面存在较大差异，且SAR目标图像会表现出类内样本差异性小，类间样本不平衡及斑点噪声敏感性等特点，传统自监督学习方法不能直接用于SAR图像目标识别。为减少当前自监督学习理论对目标样本数据分布特性及数据规模特性的制约，胜任SAR图像目标识别在小样本场景下的应用，本文结合SAR图像数据特性,从数据角度及任务角度出发，对自监督学习的小样本SAR图像目标识别研究展开深入探索。 本文研究内容及主要贡献如下: （1）针对SAR图像辨识性差，类内样本相似性大，类间样本不平衡，不利于自监督对比学习的实例判别，为降低SAR实例目标判别的敏感性，本文提出结合群对比与实例对比的对比学习框架，包含实例判别与群实例判别两路分支，旨在弱化高相似性的SAR目标无监督训练的判别强度。此外，本算法还加入 了批图像混合训练策略，进一步缓解了对比学习的低置信度判别，同时保留增强图像的一致性信息。算法实现了SAR目标图像的无监督高效表征学习，同时在少量有标注SAR图像的情况下达到较高识别率。 （2）针对采集SAR图像的设备会引入不同程度的斑点噪声这一物理成像效应，另外传统的基于CNN的小样本SAR目标识别方法是以训练集和测试集中相同的噪声强度为前提，这与实际目标识别相悖。为了缓解噪声干扰问题，本文提出新的抗斑点噪声的小样本SAR目标识别框架，即基于双一致性对齐的自监督学习方法。该方法首先将原始SAR图像通过乘性噪声建模，随机加入不同阈值的斑点噪声，然后结合实例伪标签一致性对齐和特征一致性对齐,将多个阈值的斑点噪声视图与相同目标下的原始视图对齐。最后，预训练的模型被迁移到下游的SAR斑点噪声小样本目标识别任务中，从而实现小样本学习SAR图像的鲁棒性目标识别。 (3)针对无法获取大量与下游目标识别分布一致的无标注SAR数据这一极端情况,不利于自监督学习的预训练任务。本文提出设计基于无额外SAR数据引入的自监督学习框架，用于极端小样本情况的SAR图像目标。具体为设计适用于极少量类别SAR数据的生成对抗网络，合成与源域SAR数据分布相似的图像，在这一过程中，为避免小样本引起生成对抗网络的模式坍塌问题，本文在StyleGAN网络中将真实样本与伪样本引入可微数据增强策略，使训练合成SAR图像稳定并更好地收敛。该方法在每类只有5张SAR目标样本的训练数据条件下取得了超越传统自监督学习的识别效果。
NETL