基于小样本集的SAR图像船只稳健表征学习

随着合成孔径雷达(Synthetic Aperture Radar, SAR)系统在军事及民用领域的广泛使用，SAR图像数据的规模开始急速扩增，不同应用场景下的SAR图像目标分类需求也不断增多。传统目标分类算法需要在分析数据集后针对图像特性手动设计特征提取器，设计过程复杂繁琐且专业知识依赖性强，难以满足实际需求，因此深度学习方法开始被引入SAR图像目标分类领域。但是，由于现有带标签SAR图像数据集规模较小，且SAR图像与光学图像在图像特征上存在一定差异，直接将光学图像卷积神经网络模型应用到SAR图像上往往很难取得理想效果。针对上述问题，本文提出了基于卷积神经网络迁移学习的SAR图像目标分类方法，相对于SAR图像而言，光学图像数据的来源更为广泛，获取也更加容易。通过迁移学习的方式，利用在大规模光学数据集上充分训练的预训练模型来辅助SAR图像分类模型的训练，从而实现对船只进行的有效分类识别。

合成孔径雷达(SAR)成像技术是雷达领域和遥感测量领域中重要的组成部分， 与光学成像相比， 能够适用于连续环境监测、大规模监测[1]和地球遥感[2]等需要长时间、独立于天气条件的连续成像。2014年， 加利福尼亚大学的Ross B. Girshick 首次将深度学习技术引入到目标检测领域并提出了RCNN (Region Convolution Neural Network，简称RCNN)检测方法[3]，这一检测手段将近现代的深度学习和机器学习分类的理念应用到了传统的雷达侦察领域，为后续这一技术的发展提供了很大潜力，其检测精度和检测速度也大大提高。

与传统方法相比，深度学习能从大量数据中自动学习特征，并具有很强的特征表达能力。在图像识别领域， 许多科研人员利用大规模带有标签的数据， 通过深度卷积神经网络训练了识别性能优异的模型。

但在医疗、军事等领域，由于保密机制、数据获取成本高等原因，深度学习面临一个新的问题——小样本，即由于标签注释成本太高而缺少足够的带标签数据[4]。小样本问题主要有两个方面的体现：1) 虽有足够的数据量但数据缺少相应的标签；2) 数据量本身较小；在这种条件下，用传统的深度学习网络无法得到理想的结果，所以在目前的小样本图像识别领域中，主要的研究方法是卷积神经网络，并以该结构为基础对模型进行扩展。

本文主要是针对小样本集下的SAR 图像船舶图像的分类与目标检测， 采用迁移学习的相关知识–领域适应来尝试利用光学数据集训练一个小型模型并用源域数据对预训练的网络进行微调的方法，解决了带标签的SAR 图像训练样本偏少的情况，实现了在少样本集下的较好的船只识别与分类效果，改善了SAR 图像目标分类的问题。

2. 理论分析和介绍 2.1. 迁移学习 少样本学习需要学习者从少数的几个样例中获得学习能力，这种能力的通常需要学习者有相当可观