基于改進的CNN和數據增強的SAR目標識別

王彩云, 吳釔達, 王佳寧, 馬 璐, 趙煥玥

(1. 南京航空航天大學航天學院, 江蘇 南京 210016; 2. 北京電子工程總體研究所, 北京 100854)

0 引 言

合成孔徑雷達(synthetic aperture radar, SAR)具有較好的穿透特性,并且能全天時、全天候工作,在軍事領域被廣泛使用。通過自動目標識別(automatic target recognition, ATR)技術,可以有效獲取目標信息,識別感興趣的目標。主流的ATR方法包括基于模板的方法、基于模型的方法和基于大數據深度學習的方法。在諸多深度學習方法中,卷積神經網絡(convolution neural network, CNN)能有效解決傳統方法中人工特征提取效率低下的問題,并且提高識別準確率,已成功應用于許多領域。由于CNN的優異性能,一大批學者將其引入SAR圖像目標識別。

文獻[3]在誤差代價函數中引入類別可分性度量,提高了網絡的類別區分能力,并利用改進的CNN對SAR圖像進行特征提取,采用支持向量機對特征進行分類,實現了基于CNN的SAR圖像目標識別;文獻[4]采用卷積稀疏編碼進行特征提取和數據壓縮,融合隨機森林、樸素貝葉斯和最小值分類器進行識別,提高了識別精確度,并且對噪聲具有魯棒性;文獻[5]使用了CNN及其擴展模型Fast RCNN和Faster RCNN實現了SAR圖像的檢測與識別;文獻[6]提出了一種ZCA白化與主成分分析相結合的方法對SAR圖像進行預處理,并對CNN的結構參數進行調整,提高了網絡訓練速度和目標分類的準確率;文獻[7]提出多尺度分解結合CNN的SAR圖像識別,解決SAR圖像相干斑造成的識別率低、耗時長等問題;文獻[8]引入遷移學習,結合CNN進行SAR目標識別,獲得了較好的識別性能。

然而,在采用CNN進行SAR圖像目標識別時,由于SAR圖像存在相干斑點噪聲,可標記樣本數量少,難以采集,對方位和姿態的變化較為敏感,因此容易出現過擬合的問題。針對該問題,主流方法主要分為對SAR樣本進行數據擴充和對神經網絡進行優化兩種。在數據增強方面,文獻[9]通過裁剪和翻轉進行數據擴充,采用比率分批處理使模型收斂更快更好;文獻[10]通過添加噪聲、多分辨率分析、模擬部分遮擋構造了噪聲樣本、多分辨率樣本和不同程度的遮擋樣本,提高了網絡對其他擴展操作條件的適用性,增強了網絡的泛化能力。在網絡優化方面,文獻[11]在CNN訓練階段引入了Dropout正則化,獲得了更好的識別率的同時有效抑制了過擬合問題;文獻[12]設計了基于度量學習和深度學習的孿生CNN,采用多任務聯合學習的方法訓練模型,有效緩解了相干斑噪聲對SAR圖像的影響,降低了噪聲過多引起的過擬合風險。

上述方法僅考慮數據和網絡優化中某個方面,難以滿足更高的識別要求。本文提出了基于優化CNN和數據增強的SAR圖像目標識別方法,為解決SAR樣本不足的問題,采用旋轉的數據增強方法擴充數據集,為解決模型泛化性的不足,在訓練階段引入Dropout和L2正則化,為解決模型收斂效率低的問題,采用Adam對網絡進行優化。實驗結果表明,本文方法識別準確率高,且具有較好的泛化性。

1 CNN

CNN是一種多層神經網絡結構,包括輸入層、卷積層、池化層、全連接層和輸出層。其中,卷積層主要用來提取圖像特征,池化層主要用于特征選擇和信息過濾,全連接層則是對提取的特征進行非線性組合以得到輸出。在一個CNN中,一般會采取多個卷積層和下采樣層交替設置,靠近輸出層的最后幾層通常是全連接層。

除了卷積、池化和全連接之外,非線性激活也是CNN的主要操作之一。通過非線性激活,賦予了網絡非線性的性質,從而可避免線性模型表達不夠的問題。CNN中常用的激勵函數包括飽和非線性函數,如Sigmoid函數和正切函數等,非飽和非線性函數如整流線性單元(rectified linear unit, ReLU)和Softplus函數等,其中ReLU避免了梯度消失問題,收斂快、易于學習。不僅如此,它使得網絡具有稀疏性,能有效緩解過擬合的問題,因此得到了廣泛的應用。

2 改進的CNN

本節設計了一個7層的神經網絡架構并對其進行改進,引入Dropout結構并在目標優化函數中添加正則化項,同時采用Adam作為梯度下降算法,以此構建了一個改進的SAR目標識別網絡。采用數據增強方法擴充SAR圖像數據集后,輸入網絡進行訓練。算法框架如圖1所示。

圖1 基于改進CNN和數據增強的SAR圖像識別算法Fig.1 SAR image recognition algorithm based on improved CNN and data augmentation

2.1 網絡架構設計

由于SAR圖像數據集樣本不足,網絡模型過大會導致過擬合,故設計了7層神經網絡架構,結構如圖2所示。其中,C1、C3、C4層卷積核大小為5×5,激活函數為ReLu,C1通道數為32,C3、C4通道數為64。S2、S5采樣最大池化,采樣區域為2×2。F6采用ReLu作為激活函數,共有512個節點,F7采用Softmax作為分類函數,共有10個節點。

圖2 CNN框架Fig.2 CNN framework

2.2 Dropout設計

Dropout能夠在一定程度上達到正則化的效果,有效緩解過擬合的現象。其思想在于通過以一定概率將部分神經元激活值置為0,從而避免對局部特征的過擬合,增強模型的泛化性。有Dropout的神經網絡如圖3所示。

圖3 Dropout CNNFig.3 CNN with Dropout

在運動和靜止目標獲取與識別(moving and stationary target acquisition and recognition, MSATR)標準工作條件(standard operating condition, SOC)下采集的10類目標上,分別用不使用Dropout、Dropout概率為0.3和Dropout概率為0.5進行實驗,結果如表1所示。

表1 不同Dropout概率下識別準確率

從表1可以看出,當Dropout概率為0.3時,SAR圖像識別準確率最高,故本文采用Dropout概率為0.3。

2.3 正則化

正則化方法也稱為貝葉斯正則化,假設目標優化函數為(,),正則化即在目標函數中添加一個正則化項:

(1)

式中:為樣本數量;為控制正則化程度的超參數。

采用32×32尺寸圖像下,MSTAR的SOC下采集的10類樣本作為數據集,選用不同正則化方法進行比較,結果如表2所示。

表2 不同正則化方案識別準確率

從表2可以看出,L2正則化下=0.005的識別率最高,實現了抑制過擬合的效果。

2.4 數據增強方法選擇

傳統的數據增強方法有高斯模糊、圖像裁剪和縮放、圖像鏡面翻轉等。

在MSTAR的SOC下采集的10類目標上,分別采用5種數據增強方法進行比較,結果如表3所示。

表3 不同數據增強方法的識別準確率

從表3可以看出,采用旋轉數據增強方法的效果最優,其識別率達到了99%,其旋轉角度為-25°～25°。

3 實驗與分析

采用MSTAR的SOC下采集的10類目標作為實驗數據集,訓練集和測試集的俯仰角分別為17°和15°。設置Dropout概率為0.3,采用L2正則化,權重衰減為0.005,采用Adam作為梯度下降算法,選擇旋轉-25°～25°進行數據增強,識別結果的混淆矩陣如表4所示。

表4 10類目標識別結果

從表4可以看出,本文設計的網絡在10類目標下的最低識別率為97.95%,平均識別率為99.2%,有效抑制了過擬合,取得了較好的識別效果。

在MSTAR的SOC下采集的10類目標上,與其他幾類現有的識別方法進行對比,分別記為自適應CNN法、多分辨率表示法、自注意力多尺度特征融合法,對比結果如表5所示。可以看出,本文提出的方法平均識別率高于其他方法。

表5 SOC下結果對比

4 結 論

本文提出了一種基于改進的CNN和數據增強的SAR目標識別方法。針對SAR圖像樣本不足的問題,采用旋轉方法進行數據增強;為了優化網絡,引入了Dropout和L2正則化,并采用Adam作為梯度下降算法,有效抑制了過擬合,增強了網絡的泛化能力。在MSTAR SOC下的10類目標的實驗結果表明,該方法的平均識別準確率達到了99%以上,有效抑制了過擬合,識別性能較好。