合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)是一種能夠全天時(shí)、全天候工作的二維高分辨率成像雷達(dá)，具有穿透云霧對(duì)地觀測(cè)的能力，是國(guó)家安全戰(zhàn)略高技術(shù)之一。

　　近日，復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室徐豐教授研究深度卷積算法在SAR圖像目標(biāo)識(shí)別與地物分類中的應(yīng)用，取得突破進(jìn)展，他從SAR圖像中自動(dòng)學(xué)習(xí)特征，利用學(xué)習(xí)到的特征進(jìn)行目標(biāo)檢測(cè)與目標(biāo)分類，將深度卷積網(wǎng)絡(luò)應(yīng)用于SAR目標(biāo)分類基準(zhǔn)數(shù)據(jù)集MSTAR上，取得了99%的識(shí)別率，將該算法應(yīng)用于全極化SAR圖像地物分類，也取得了98%的分類精度。

　　率先將深度學(xué)習(xí)應(yīng)用于雷達(dá)圖像解譯

　　徐豐說(shuō)， SAR非常適用于目標(biāo)的偵察、監(jiān)視和識(shí)別，同時(shí)也已經(jīng)被廣泛應(yīng)用于地球科學(xué)、氣候變化研究、環(huán)境和地球系統(tǒng)監(jiān)測(cè)、海洋資源利用、行星探測(cè)、戰(zhàn)場(chǎng)感知偵察等領(lǐng)域，具有極高的民用價(jià)值和軍用價(jià)值。由于散射成像機(jī)理以及相干斑噪聲的存在，SAR圖像的解譯比視覺圖像困難得多。近年來(lái)，SAR分辨率越來(lái)越高，傳感器模式增多，工作波段和極化方式等越來(lái)越多元化，使得SAR圖像中信息爆炸性增長(zhǎng)，人工判讀的工作量超出了人工迅速做出判斷的極限，人工判讀帶來(lái)的主觀和理解上的錯(cuò)誤就難以避免。因此，SAR圖像數(shù)據(jù)自動(dòng)分析解譯技術(shù)的研究顯得尤為重要。

　　近年來(lái)，深度學(xué)習(xí)在人工智能的各個(gè)領(lǐng)域取得了很好的應(yīng)用，比如，圖像分類，目標(biāo)檢測(cè)，自然語(yǔ)言處理，機(jī)器人。常用的深度學(xué)習(xí)技術(shù)包括深度信念網(wǎng)絡(luò)(DBN)，卷積神經(jīng)網(wǎng)絡(luò)(CNN)，回歸神經(jīng)網(wǎng)絡(luò)(RNN)，等等。其中，CNN是最常采用的針對(duì)圖像數(shù)據(jù)的算法。在計(jì)算機(jī)視覺領(lǐng)域中，傳統(tǒng)的圖像分類問題分為特征提取與特征分類兩個(gè)階段。特征提取依據(jù)統(tǒng)計(jì)或者物理特性手動(dòng)的設(shè)計(jì)特征從而對(duì)不同目標(biāo)形成較好的表達(dá)。但是，這種模式將被自動(dòng)學(xué)習(xí)數(shù)據(jù)分層特征的CNN取代。較之傳統(tǒng)的方法，CNN取得了更好的結(jié)果，在圖像分類領(lǐng)域已經(jīng)取得了一系列突破。在2012年ImageNet大規(guī)模視覺挑戰(zhàn)賽(ILSVRC)，Krizhevsky等人采用深度卷積網(wǎng)絡(luò)取得了15.3%的錯(cuò)誤率，遠(yuǎn)遠(yuǎn)超過以往最好的水平。在2014年，Szegedy等人提出了一個(gè)包含22層的GoogleNet，將前五項(xiàng)錯(cuò)誤率降至6.67%。在2015年，He等人提出152層的殘差網(wǎng)絡(luò)(ResNet)并取得了3.57%的整體錯(cuò)誤率，這已經(jīng)超過了人類平均水平5%的錯(cuò)誤率。

　　伴隨CNN在計(jì)算機(jī)視覺領(lǐng)域的巨大成功，人們不禁想能否將這種強(qiáng)大的技術(shù)應(yīng)用于SAR圖像解譯，如地物分類、參數(shù)反演以及目標(biāo)檢測(cè)識(shí)別。徐豐團(tuán)隊(duì)從2013年開始率先進(jìn)行了深度學(xué)習(xí)應(yīng)用于SAR圖像解譯的研究。

　　創(chuàng)新應(yīng)用對(duì)于10類目標(biāo)取得99%識(shí)別率

　　伴隨CNN在計(jì)算機(jī)視覺領(lǐng)域取得了較好結(jié)果，徐豐旨在將CNN算法用于SAR圖像解譯。他研究了深度卷積神經(jīng)網(wǎng)絡(luò)在SAR圖像目標(biāo)識(shí)別與全極化SAR地物分類中的應(yīng)用。將CNN應(yīng)用MSTAR數(shù)據(jù)，對(duì)于10類目標(biāo)取得了平均99.1%的識(shí)別準(zhǔn)確率。在全極化SAR對(duì)地物分類中，他首先將實(shí)數(shù)CNN應(yīng)用于AirSAR數(shù)據(jù)農(nóng)作物分類，取得了90%以上的準(zhǔn)確率。為了進(jìn)一步利用極化SAR數(shù)據(jù)的相位信息，將實(shí)數(shù)CNN推廣至復(fù)數(shù)域，提出了復(fù)數(shù)深度卷積網(wǎng)絡(luò)(CV-CNN)。CV-CNN的神經(jīng)元信號(hào)和連接權(quán)值均為復(fù)數(shù)，其前饋傳播和后向傳播均定義在復(fù)數(shù)域。將CV-CNN在數(shù)據(jù)集上進(jìn)行分類實(shí)驗(yàn)，結(jié)果表明，在同等條件下CV-CNN相比傳統(tǒng)CNN取得更高的分類正確率，農(nóng)作物分類準(zhǔn)確率達(dá)到了98%。這幾項(xiàng)成果將發(fā)表在國(guó)際電氣與電子工程師協(xié)會(huì)地球科學(xué)與遙感匯刊上。

　　在目標(biāo)分類研究中，為了解決訓(xùn)練樣本少導(dǎo)致過擬合和泛化能力弱的問題，徐豐通過用卷積層取代全連接層，而不是大量地減少網(wǎng)絡(luò)的層數(shù)，來(lái)減少需要訓(xùn)練的參數(shù)。這一改變大大減小了過擬合，由于網(wǎng)絡(luò)深度不變從而保證了其表征能力不受太大影響。徐豐采用的實(shí)驗(yàn)數(shù)據(jù)是由Sandia國(guó)家實(shí)驗(yàn)室(SNL)的SAR傳感器采集的。數(shù)據(jù)的采集是由美國(guó)國(guó)防部先進(jìn)研究項(xiàng)目局(DARPA)和空軍研究實(shí)驗(yàn)室(AFRL)共同資助的，作為運(yùn)動(dòng)和靜止目標(biāo)獲取與識(shí)別(MSTAR)項(xiàng)目的一部分。該項(xiàng)目采集了幾十萬(wàn)張包含地面軍事目標(biāo)的SAR圖像，其中包括不同的目標(biāo)類型、方位角、俯仰角、炮筒轉(zhuǎn)向、外型配置變化和型號(hào)變種。在標(biāo)準(zhǔn)操作條件下，徐豐測(cè)試算法對(duì)于10類目標(biāo)分類的結(jié)果。

　　針對(duì)SAR圖像中相位信息，徐豐提出的復(fù)數(shù)卷積神經(jīng)網(wǎng)絡(luò)(CV-CNN)，不僅將復(fù)數(shù)數(shù)據(jù)作為輸入，同時(shí)對(duì)各層傳遞了相位信息。使用復(fù)數(shù)數(shù)據(jù)構(gòu)建SAR圖像的分層特征。CV-CNN將實(shí)數(shù)卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)以及參數(shù)延伸至復(fù)數(shù)域，意味著所有的數(shù)學(xué)操作也擴(kuò)展至復(fù)數(shù)分析，文章給出了詳細(xì)的后向傳播推導(dǎo)。實(shí)驗(yàn)表明CV-CNN的性能遠(yuǎn)高于傳統(tǒng)的實(shí)數(shù)神經(jīng)網(wǎng)絡(luò)。

　　最近，針對(duì)神經(jīng)網(wǎng)絡(luò)無(wú)法對(duì)未經(jīng)過訓(xùn)練的目標(biāo)進(jìn)行分類識(shí)別的局限性，徐豐又采用深度生成神經(jīng)網(wǎng)絡(luò)對(duì)SAR數(shù)據(jù)集進(jìn)行自動(dòng)表征建模，通過表征學(xué)習(xí)自動(dòng)建立SAR目標(biāo)本征特征空間，該本征特征空間由已知目標(biāo)支撐。此外，通過訓(xùn)練一個(gè)逆向CNN將SAR圖像映射到本征特征空間中，由此建立一個(gè)準(zhǔn)無(wú)監(jiān)督SAR目標(biāo)識(shí)別器，任意一個(gè)新目標(biāo)SAR圖像輸入到該識(shí)別器中即可以得到該新目標(biāo)在本征特征空間中的分布，并由此解讀目標(biāo)的物理特征。該成果已接收在2017年國(guó)際地球科學(xué)與遙感年會(huì)。