一種基于EfficientNet與BiGRU的多角度SAR圖像目標(biāo)識(shí)別方法

趙鵬菲 黃麗佳

①(中國(guó)科學(xué)院空天信息創(chuàng)新研究院 北京 100094)

②(中國(guó)科學(xué)院空間信息處理與應(yīng)用系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室 北京 100190)

③(中國(guó)科學(xué)院大學(xué) 北京 100049)

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是一種主動(dòng)式微波遙感設(shè)備，其通過(guò)天線主動(dòng)地向目標(biāo)發(fā)射微波，并接收目標(biāo)反射的回波實(shí)現(xiàn)對(duì)目標(biāo)的成像[1]。SAR不僅可以在光照不足和惡劣天氣下工作，而且可以實(shí)現(xiàn)對(duì)隱蔽目標(biāo)的穿透探測(cè)，具有全天時(shí)、全天候工作的特點(diǎn)[2]。經(jīng)過(guò)30余年的發(fā)展，SAR技術(shù)越來(lái)越成熟，目前已經(jīng)成為遙感信息獲取的重要途徑，在軍用以及民用領(lǐng)域都有廣泛的應(yīng)用[3]。

與光學(xué)圖像不同，由于電磁散射和相干成像機(jī)理，SAR圖像是目標(biāo)三維幾何和輻射信息在二維圖像中的映射，存在疊掩、陰影等特點(diǎn)，且含有大量相干斑噪聲。這使SAR圖像在視覺上較光學(xué)圖像更難解釋與理解，對(duì)目標(biāo)的檢測(cè)和識(shí)別有較大的影響[4]。因此，從SAR圖像中識(shí)別目標(biāo)的真實(shí)屬性，即SAR自動(dòng)目標(biāo)識(shí)別技術(shù)(SAR Automatic Target Recognition,SAR ATR)成為一直以來(lái)的研究熱點(diǎn)。

近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的SAR ATR技術(shù)得到了廣泛的應(yīng)用[5–8]。都設(shè)計(jì)了不同的卷積神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)SAR圖像進(jìn)行目標(biāo)識(shí)別任務(wù)，并取得了不錯(cuò)的效果，但這些方法都是基于SAR的單角度圖像進(jìn)行的目標(biāo)識(shí)別。

由于SAR采用側(cè)視成像原理，SAR對(duì)目標(biāo)觀測(cè)俯仰角和方位角的變化都十分敏感。對(duì)于同一觀測(cè)目標(biāo)，即便觀測(cè)的方位角僅有較少變化，所得目標(biāo)的SAR圖像也會(huì)有較大的差別。而對(duì)于不同目標(biāo)在某一個(gè)觀測(cè)角度下又呈現(xiàn)較大的相似性，這些情況對(duì)基于單角度SAR圖像的目標(biāo)識(shí)別造成相當(dāng)?shù)睦щy。此外，同一觀測(cè)目標(biāo)的多角度SAR圖像序列中蘊(yùn)含著多個(gè)角度的散射回波，較單角度SAR圖像更加全面精細(xì)地刻畫了目標(biāo)散射特性[9]。

多角度SAR目標(biāo)識(shí)別技術(shù)基于SAR平臺(tái)獲取目標(biāo)不同方位角的多幅圖像組成的圖像序列，利用不同視角的散射特性對(duì)目標(biāo)進(jìn)行類別屬性判別，其擁有更高的準(zhǔn)確度和魯棒性[10,11]。

目前，多角度SAR目標(biāo)識(shí)別技術(shù)也有了一定的發(fā)展。2017年，Zhang等人[12]提出多角度感知雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(Multi-Aspect-aware Bidirectional Long-Short Term Memory,MA-BLSTM)用于多角度SAR目標(biāo)識(shí)別，其首先提取單張圖像的Gabor特征和3片局部二值模式(Three Patches Local Binary Pattern,TPLBP)特征，并進(jìn)一步利用長(zhǎng)短期記憶網(wǎng)絡(luò)(Long-Short Term Memory,LSTM)提取了圖像特征序列的時(shí)序特征，最后通過(guò)Softmax層進(jìn)行目標(biāo)的分類，取得了不錯(cuò)的效果。2018年，Pei等人[13]提出多視角深度卷積神經(jīng)網(wǎng)絡(luò)(Multi-View Deep Convolutional Neural Network,MVDCNN)方法，利用并行的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)來(lái)提取不同角度圖像的深度特征，并逐步將這些特征進(jìn)行融合，從而進(jìn)行識(shí)別。鄒浩等人[14]將3張不同角度的SAR圖像合并作為1張3通道的圖像送入CNN網(wǎng)絡(luò)進(jìn)行目標(biāo)識(shí)別，取得了不錯(cuò)的效果。Zhao等人[15]提出了多流卷積神經(jīng)網(wǎng)絡(luò)(Multi-Stream Convolutional Neural Network,MS-CNN)方法，設(shè)計(jì)了傅里葉特征融合層，來(lái)對(duì)由卷積神經(jīng)網(wǎng)絡(luò)提取的深度特征進(jìn)行了融合。2019年，Zhang等人[16]在文獻(xiàn)[12]的基礎(chǔ)上，將Gabor特征和TPLBP特征換為由ResNet提取的深度特征，并提出基于投票的后處理方法，取得了目前最高的準(zhǔn)確率。

盡管上述方法都取得了不錯(cuò)的效果，但仍然存在一些尚未解決的問題，如在訓(xùn)練集和測(cè)試集圖像成像條件不同時(shí)，識(shí)別準(zhǔn)確率較低；基于深度學(xué)習(xí)的方法通常需要大量數(shù)據(jù)進(jìn)行訓(xùn)練等。

為解決以上問題，本文提出基于EfficientNet[17]和BiGRU[18]的多角度SAR目標(biāo)識(shí)別方法，主要貢獻(xiàn)如下：

(1) 本文采用EfficientNet提取單張SAR圖像的空間特征，并進(jìn)一步利用BiGRU提取圖像序列的時(shí)序特征。這使模型保持高性能的同時(shí)也降低了模型參數(shù)量；

(2) 本文采用孤島損失(Island Loss)[19]改進(jìn)分類模型的訓(xùn)練損失。在SAR圖像目標(biāo)識(shí)別任務(wù)中，Island Loss通過(guò)擴(kuò)大各個(gè)目標(biāo)類別間的類間距離及縮小類內(nèi)距離來(lái)有效提升識(shí)別準(zhǔn)確率。

實(shí)驗(yàn)證明，本方法不僅在大部分?jǐn)?shù)據(jù)集上取得了當(dāng)前最好的識(shí)別效果，還在小規(guī)模數(shù)據(jù)集上取得了不錯(cuò)的識(shí)別性能。

本文的第2節(jié)詳細(xì)介紹了本文所提多角度SAR目標(biāo)識(shí)別方法；第3節(jié)介紹實(shí)驗(yàn)所采用的圖像數(shù)據(jù)以及多角度圖像數(shù)據(jù)集的構(gòu)造；第4節(jié)介紹實(shí)驗(yàn)細(xì)節(jié)與結(jié)果；第5節(jié)總結(jié)本方法的優(yōu)越性并安排了后續(xù)的工作。

2 多角度SAR圖像目標(biāo)識(shí)別方法

2.1 多角度SAR圖像序列識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)

本文所提多角度SAR圖像目標(biāo)識(shí)別網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，其主要由提取單張圖像特征的EfficientNet網(wǎng)絡(luò)與進(jìn)一步提取多角度SAR圖像序列時(shí)序特征的BiGRU網(wǎng)絡(luò)構(gòu)成。

圖1 多角度SAR目標(biāo)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Multi-aspect SAR ATR framework

該網(wǎng)絡(luò)的輸入數(shù)據(jù)是一組同一目標(biāo)的多角度SAR圖像序列(B,L,C,H,W)。其中，B為模型訓(xùn)練時(shí)的Batch Size,L為圖像序列的圖像數(shù)量，C,H,W分別為圖像通道數(shù)、圖像高度與寬度。

該方法首先使用一組共享權(quán)重的EfficientNet網(wǎng)絡(luò)提取圖像序列中單張圖像的空間特征(B×L,U)，其中U為單張圖像空間特征的維度。對(duì)圖像序列所提取的圖像特征序列進(jìn)行維度變換，得到特征(B,L,U)，再送入BiGRU網(wǎng)絡(luò)繼續(xù)提取多角度圖像序列時(shí)序特征 (B,V)，其中V為特征的維度。最后，將經(jīng)過(guò)BiGRU網(wǎng)絡(luò)提取的特征送入全連接層獲取最終的輸出，即該組多角度圖像的目標(biāo)類別概率 (B,k)，其中k為待識(shí)別目標(biāo)的類別數(shù)目。

2.2 EfficientNet

EfficientNet系列模型是目前性能最好的深度學(xué)習(xí)分類模型之一，該模型的基礎(chǔ)網(wǎng)絡(luò)架構(gòu)是通過(guò)神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索(Neural Architecture Search,NAS)技術(shù)得到的[17]。本文選取了EfficientNet系列模型中的EfficientNet-B0網(wǎng)絡(luò)，該網(wǎng)絡(luò)在Efficient-Net系列模型中尺寸最小，速度最快，更適用于SAR領(lǐng)域這類小規(guī)模數(shù)據(jù)集。

本文所使用的EfficientNet-B0網(wǎng)絡(luò)結(jié)構(gòu)組成如表1所示，其由16個(gè)移動(dòng)倒置瓶頸卷積模塊(Mobile inverted Bottleneck Convolution,MBConv)[17]、2個(gè)卷積層、1個(gè)全局平均池化層和1個(gè)全連接層構(gòu)成。

表1 EfficientNet-B0網(wǎng)絡(luò)結(jié)構(gòu)Tab.1 EfficientNet-B0 network structure

深度學(xué)習(xí)任務(wù)中常用的殘差網(wǎng)絡(luò)ResNet分類網(wǎng)絡(luò)[20]，其也應(yīng)用于文獻(xiàn)[16]進(jìn)行多角度SAR目標(biāo)圖像的識(shí)別。表2對(duì)比了EfficientNet-B0和ResNet50網(wǎng)絡(luò)的參數(shù)量、計(jì)算量與性能，top1/top5準(zhǔn)確率是在ImageNet數(shù)據(jù)集中得出的[17,21]。top1/top5準(zhǔn)確率如式(1)所示，n為 樣本總數(shù)，gk表示第k個(gè)樣本的真實(shí)標(biāo)簽，lj表示模型對(duì)當(dāng)前樣本所得概率向量中第j大的概率所對(duì)應(yīng)的標(biāo)簽，函數(shù)d如式(2)所示

如表2所示，對(duì)比ResNet50網(wǎng)絡(luò)，Efficient-Net-B0網(wǎng)絡(luò)的速度快10倍、參數(shù)僅為其1/5且性能更好，這使其更適用于較難獲取、數(shù)量較少的SAR遙感目標(biāo)數(shù)據(jù)集。此外，由于EfficientNet-B0網(wǎng)絡(luò)參數(shù)較少，模型部署更加容易。

表2 EfficientNet-B0與ResNet50網(wǎng)絡(luò)對(duì)比Tab.2 Comparison of EfficientNet-B0 and ResNet50 networks

在本文所提多角度SAR圖像識(shí)別框架中，EfficientNet-B0網(wǎng)絡(luò)的輸入是單張SAR的目標(biāo)圖像，輸出是其空間特征。模型將多角度圖像序列的特征進(jìn)行維度變換后送入后續(xù)的BiGRU網(wǎng)絡(luò)。

2.3 BiGRU

門控循環(huán)單元(Gate Recurrent Unit,GRU)[18]是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)，其與長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)[21]相似，是為了解決長(zhǎng)期記憶和反向傳播中的梯度等問題而提出的。

GRU適宜于處理時(shí)間序列數(shù)據(jù)，本文使用GRU來(lái)提取多角度SAR圖像序列的空間變化特征。對(duì)比LSTM,GRU在性能相當(dāng)?shù)耐瑫r(shí)參數(shù)量更少、更易于訓(xùn)練。相比之下更適宜于小規(guī)模數(shù)據(jù)集，因此本文選取了GRU網(wǎng)絡(luò)用于多角度圖像序列的處理。

GRU由更新門和重置門兩個(gè)門控單元組成，如圖2所示，其利用門控單元控制輸入、記憶等數(shù)據(jù)在當(dāng)前時(shí)刻做出預(yù)測(cè)，其表達(dá)式為式(3)—式(6)，其中zt為更新門，rt為重置門，Wz,Wr,W分別為更新門、重置門和候選隱層狀態(tài)的權(quán)值矩陣，xt為輸入信息，ht為t時(shí)刻的隱層狀態(tài)，h?t為t時(shí)刻的候選隱層狀態(tài)，ht?1為t ?1時(shí)刻的隱層狀態(tài)，σ是Sigmoid函數(shù)。重置門將新的輸入信息與前面的記憶相結(jié)合，輸出一個(gè)0～1的值，其決定將ht?1向下一狀態(tài)傳遞的多少。更新門定義了先前記憶保存至當(dāng)前時(shí)刻的量，即先前記憶對(duì)當(dāng)前狀態(tài)的影響程度

圖2 GRU結(jié)構(gòu)示意圖Fig.2 The structure of GRU

然而，普通的GRU網(wǎng)絡(luò)僅能編碼從前向后的序列信息，無(wú)法編碼從后往前的序列信息。因此，本文采用了雙向的GRU網(wǎng)絡(luò)BiGRU來(lái)獲取了圖像特征序列雙向信息。

本文所采用的BiGRU結(jié)構(gòu)如圖3所示。

圖3 BiGRU結(jié)構(gòu)示意圖Fig.3 The structure of BiGRU

BiGRU的計(jì)算公式如式(7)—式(9)所示，其中與分別表示前向GRU與后向GRU輸出的隱層狀態(tài)，wt與vt分別表示與所對(duì)應(yīng)的權(quán)重，bt則為偏置參數(shù)。可以看出，在BiGRU中，當(dāng)前隱層狀態(tài)ht由前向GRU與后向GRU輸出的隱層狀態(tài)加權(quán)所得

在本文的實(shí)驗(yàn)中，BiGRU網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)為128，網(wǎng)絡(luò)層數(shù)為4。

2.4 訓(xùn)練損失

在基于深度學(xué)習(xí)的目標(biāo)識(shí)別任務(wù)中，交叉熵?fù)p失是最常使用的。然而，由于SAR圖像自身成像機(jī)理的復(fù)雜性和成像角度的敏感性，SAR圖像通常存在同一目標(biāo)之間類內(nèi)距離大，不同目標(biāo)之間類間距離小的問題。因此，簡(jiǎn)單地使用交叉熵不適用于SAR圖像目標(biāo)任務(wù)。如圖1所示，本文使用孤島損失(Island Loss)[19]和交叉熵?fù)p失共同作為訓(xùn)練損失來(lái)解決以上問題，其中交叉熵?fù)p失公式為

其中，yi是第i個(gè)樣本的類別，pi是模型輸出的第i個(gè)值。

Island Loss可以在訓(xùn)練中擴(kuò)大類間距離、縮小類內(nèi)距離，從而提高模型的分類性能。

Island Loss基于中心損失(Center Loss)[22]提出，Center Loss的公式為

其中，yi是第i個(gè)樣本的類別,xi是第i個(gè)樣本由EfficientNet-B0輸出的特征向量，第i個(gè)樣本所在類別的所有樣本計(jì)算的中心點(diǎn)。根據(jù)式(11)，Center Loss為每個(gè)樣本特征距離其所在類中心的歐氏距離之和。因此，通過(guò)最小化Center Loss，可以將同一類別的不同樣本的特征聚向類別中心，以此來(lái)縮小類內(nèi)距離。

Center Loss僅僅可以縮小類內(nèi)距離，而Island Loss在其基礎(chǔ)上進(jìn)一步優(yōu)化了不同目標(biāo)的類間距離。其公式為

其中，cj和ck分別是第j個(gè)類別和第k個(gè)類別的中心點(diǎn)，λ1為超參數(shù)。由式(12)可知，Island Loss的前半部分是Center Loss，后半部分是訓(xùn)練樣本所屬各個(gè)類別的特征中心之間的余弦相似度加1后的總和。當(dāng)?shù)趈個(gè)類別和第k個(gè)類別的中心點(diǎn)cj和ck相差較遠(yuǎn)時(shí)，其余弦相似度接近于–1，此時(shí)的兩個(gè)類別之間所產(chǎn)生的損失為0； 當(dāng)cj和ck相近時(shí)，其余弦相似度接近于1，此時(shí)兩個(gè)類別之間所產(chǎn)生的損失接近于最大值2。由此可見，可以通過(guò)最小化Island Loss，將同一類別的不同樣本的特征聚向類別中心的同時(shí)，并將類別中心互相推離彼此，在高維空間中形成一座座“孤島”，因此Island Loss可以擴(kuò)大類間距離，縮小類內(nèi)距離。

在聯(lián)合交叉熵?fù)p失后，本文所使用的訓(xùn)練損失為

其中，λ為超參數(shù)。

3 數(shù)據(jù)集

本文使用了由桑迪亞國(guó)家實(shí)驗(yàn)室(Sandia national laboratory)提供的SAR圖像數(shù)據(jù)集——移動(dòng)與靜止目標(biāo)獲取識(shí)別(Moving and Stationary Target Acquisition and Recognition,MSTAR)數(shù)據(jù)集，針對(duì)SAR圖像目標(biāo)識(shí)別的研究大多都基于該數(shù)據(jù)集而展開。在該數(shù)據(jù)集中，圖像的分辨率為0.3 m×0.3 m，工作波段為X波段，所用的極化方式為HH極化方式。數(shù)據(jù)集中包含了10種不同類型的地面車輛目標(biāo)在不同俯仰角、不同方位角下的圖像數(shù)據(jù)。如圖4所示，其包含了目標(biāo)車輛在0°～360°間各個(gè)方位角的圖像數(shù)據(jù)，因此該數(shù)據(jù)集適宜于建立多角度圖像目標(biāo)識(shí)別數(shù)據(jù)集。

圖4 不同方位角、同一目標(biāo)的SAR圖像Fig.4 SAR images of the same target with different azimuth

本文采用了文獻(xiàn)[16]中多角度SAR圖像數(shù)據(jù)集的構(gòu)造方式。目前，寬角SAR一次可以對(duì)目標(biāo)實(shí)現(xiàn)90°以下方位角的連續(xù)觀察，為了使方法更實(shí)用，本文設(shè)置連續(xù)觀測(cè)角θ為45°，多角度圖像序列包含的圖像個(gè)數(shù)L分別設(shè)置為2,3,4，數(shù)據(jù)集的構(gòu)造方式如圖5所示。

圖5 多角度圖像序列構(gòu)造示意圖Fig.5 Schematic diagram of multi-angle image sequence structure

構(gòu)建完成后的多角度SAR圖像序列數(shù)據(jù)集分為標(biāo)準(zhǔn)工作條件(Standard Operating Condition,SOC)和擴(kuò)展工作條件(Extended Operating Condition,EOC)兩類。其中SOC指的是訓(xùn)練集和測(cè)試集數(shù)據(jù)的SAR傳感器的成像條件相似，在實(shí)驗(yàn)中，訓(xùn)練集的成像俯仰角為17°，測(cè)試集的成像俯仰角為15°；EOC指的是訓(xùn)練集和測(cè)試集數(shù)據(jù)的SAR傳感器的成像條件存在一定的差異。圖像序列L4的SOC數(shù)據(jù)集目標(biāo)種類及數(shù)量如表3所示，其中訓(xùn)練集合計(jì)10592組，測(cè)試集合計(jì)8809組；當(dāng)圖像序列L3時(shí)，訓(xùn)練集合計(jì)8016組，測(cè)試集合計(jì)6771組；當(dāng)圖像序列L2 時(shí)，訓(xùn)練集合計(jì)5 3 4 7組，測(cè)試集合計(jì)4669組。

表3 圖像序列L為4時(shí)，SOC數(shù)據(jù)集大小Tab.3 SOC dataset size when L=4

在MSTAR數(shù)據(jù)集中，EOC通常有3種，第1類為大俯仰角情況，本文稱為EOC-1,EOC-1的訓(xùn)練集成像俯仰角為17°，測(cè)試集成像俯仰角為30°，其中圖像序列L4時(shí)，EOC-1數(shù)據(jù)集目標(biāo)種類及數(shù)量如表4所示。

表4 圖像序列L為4時(shí)，EOC-1數(shù)據(jù)集大小Tab.4 EOC-1 dataset size when L=4

此外，另外兩種EOC分別指車輛版本變化與車輛配置變化。版本變化是指車輛的功能改變，即原始車輛變化為救護(hù)車、運(yùn)輸車、偵察車等；配置變化是指車輛上一些部件的增加或移除，如T72移除車后的油罐等[15]。在本文稱這兩種變化分別為EOC-2和EOC-3。

實(shí)驗(yàn)中選取了SOC訓(xùn)練集中的BMP2,BRDM_2,BTR70與T72作為EOC-2,EOC-3的訓(xùn)練集，選擇T72的5類版本變體S7,A32,A62,A63,A64作為EOC-2的測(cè)試集，選擇BMP2的兩類配置變體9566,C21及T72的5類配置變體812,A04,A05,A07,A10作為EOC-3的測(cè)試集[15]。

構(gòu)建完成后的EOC-1,EOC-2與EOC-3訓(xùn)練集與測(cè)試集總數(shù)量如表5所示。

表5 EOC-1,EOC-2與EOC-3數(shù)據(jù)集大小Tab.5 EOC-1,EOC-2 and EOC-3 dataset size

在圖像預(yù)處理中，本文對(duì)所有的圖像均中心裁剪成64×64。此外，本文還對(duì)部分訓(xùn)練集進(jìn)行了數(shù)據(jù)增廣，具體方法采用了由文獻(xiàn)[8]提出的SAR圖像增廣方法。首先將原始圖片中心裁剪為68×68，之后再隨機(jī)裁剪多張64×64的圖像，進(jìn)行數(shù)據(jù)增廣的訓(xùn)練集圖像序列數(shù)量如表6所示。

表6 部分進(jìn)行數(shù)據(jù)增廣的數(shù)據(jù)集增廣后大小Tab.6 The size of some data sets for data augmentation

4 實(shí)驗(yàn)

4.1 訓(xùn)練與測(cè)試

在SOC實(shí)驗(yàn)中，模型的各參數(shù)設(shè)置如表7所示。

表7 SOC實(shí)驗(yàn)中各參數(shù)設(shè)置Tab.7 Parameter in SOC experiment

在EOC-1實(shí)驗(yàn)中，數(shù)據(jù)增廣前λ為0.01，數(shù)據(jù)增廣后的λ為0.0001，訓(xùn)練的Epoch增加為300。對(duì)于Island Loss的超參數(shù)λ，其根據(jù)數(shù)據(jù)集的大小而變化，數(shù)據(jù)集圖像序列越大，其數(shù)值應(yīng)越少。在EOC-2與EOC-3實(shí)驗(yàn)中，其各項(xiàng)參數(shù)與SOC保持一致。

2.3 兩組治療前后血清白蛋白、非結(jié)合膽紅素及總膽紅素水平對(duì)比 治療后，觀察組黃疸新生兒血清白蛋白、肺結(jié)核膽紅素、總膽紅素水平均明顯低于治療前(P<0.05)，而觀察組明顯低于對(duì)照組(P<0.05)。見表3。

在訓(xùn)練過(guò)程中，每80個(gè)Epoch,Adam優(yōu)化器的學(xué)習(xí)率會(huì)縮減到1/10。此外，實(shí)驗(yàn)中使用了EfficientNet-B0在ImageNet數(shù)據(jù)集上的預(yù)訓(xùn)練模型，而BiGRU部分，則從頭開始訓(xùn)練。

本文所有訓(xùn)練與測(cè)試實(shí)驗(yàn)均在Ubuntu18.04系統(tǒng)下進(jìn)行。在硬件方面，實(shí)驗(yàn)采用了Intel i9-9900 CPU和NVIDIA RTX 2080Ti GPU。

4.2 SOC與EOC實(shí)驗(yàn)

在SOC實(shí)驗(yàn)中，其中圖像序列個(gè)數(shù)為4，未進(jìn)行數(shù)據(jù)集的增廣，在正常數(shù)據(jù)集大小就達(dá)到了100%的識(shí)別準(zhǔn)確率。

在EOC-1實(shí)驗(yàn)中，當(dāng)圖像序列個(gè)數(shù)為4時(shí)，且數(shù)據(jù)未增廣時(shí)，識(shí)別準(zhǔn)確率已達(dá)到99.08%，進(jìn)行數(shù)據(jù)增廣后，識(shí)別準(zhǔn)確率提高為99.68%，其混淆矩陣如表8所示。

表8 圖像序列數(shù)L為4時(shí)，EOC-1混淆矩陣Tab.8 The EOC-1 confusion matrix when L=4

如表9所示，本文對(duì)比了當(dāng)圖像序列數(shù)為4時(shí)各主要方法的識(shí)別準(zhǔn)確率。本文所提方法不僅在SOC數(shù)據(jù)集上取得了100%的識(shí)別準(zhǔn)確率，在EOC-1數(shù)據(jù)集上取得的識(shí)別準(zhǔn)確率也優(yōu)于其他方法。

表9 圖像序列數(shù)L為4時(shí)，各方法識(shí)別準(zhǔn)確率在SOC與EOC-1數(shù)據(jù)集上對(duì)比Tab.9 Comparison of the recognition accuracy on SOC and EOC-1 dataset when L is 4

當(dāng)圖像序列數(shù)L為3,2時(shí)，SOC與EOC-1兩種類型的測(cè)試集準(zhǔn)確率如表10、表11，其中當(dāng)圖像序列數(shù)L為3時(shí)，SOC的準(zhǔn)確率為99.94%,EOC-1的準(zhǔn)確率為98.58%；圖像序列數(shù)L為2時(shí)，SOC的準(zhǔn)確率為99.87%,EOC-1的準(zhǔn)確率為97.60%。與主要多角度識(shí)別方法進(jìn)行對(duì)比如表10與表11所示。

表10 圖像序列數(shù)L為3時(shí)，各方法準(zhǔn)確率對(duì)比(%)Tab.10 Comparison of test accuracy when L=3 (%)

表11 圖像序列數(shù)L為2時(shí)，各方法準(zhǔn)確率對(duì)比(%)Tab.11 Comparison of test accuracy when L=2 (%)

表12 EOC-2數(shù)據(jù)集識(shí)別準(zhǔn)確率對(duì)比(%)Tab.12 Comparison of accuracy on EOC-2 (%)

表13 EOC-3數(shù)據(jù)集識(shí)別準(zhǔn)確率對(duì)比(%)Tab.13 Comparison of accuracy on EOC-3 (%)

對(duì)比其他方法，在SOC,EOC-1及EOC-3數(shù)據(jù)集上，本方法取得了相對(duì)更優(yōu)的識(shí)別結(jié)果，在EOC-2數(shù)據(jù)集上，本文方法僅略低于MS-CNN[15]。

4.3 數(shù)據(jù)集縮減實(shí)驗(yàn)

由于SAR圖像較難獲取，SAR目標(biāo)識(shí)別通常面臨著數(shù)據(jù)樣本較少的共性問題，因此，本文對(duì)圖像序列L為4時(shí)的訓(xùn)練集進(jìn)行了縮減，分別測(cè)試了本文所提方法和文獻(xiàn)[13]所提方法在5%,15%,50%訓(xùn)練集規(guī)模上的識(shí)別準(zhǔn)確率，測(cè)試結(jié)果如表14所示，可以看出，本文所提方法在數(shù)據(jù)集縮減的情況下同樣保持了較高的準(zhǔn)確率。

表14 在縮減數(shù)據(jù)集上的識(shí)別準(zhǔn)確率(%)Tab.14 Recognition accuracy on the reduced dataset (%)

4.4 消融實(shí)驗(yàn)

為驗(yàn)證不同模塊對(duì)模型性能的影響，本文在圖像序列數(shù)為4且未進(jìn)行圖像增廣的EOC-1數(shù)據(jù)集上進(jìn)行了消融實(shí)驗(yàn)。

消融實(shí)驗(yàn)以ResNet與GRU組成的基線模型為基礎(chǔ)，依次進(jìn)行添加Center Loss、改變Center Loss為Island Loss、改變骨干網(wǎng)絡(luò)為EfficientNet-B0、改變GRU為BiGRU，操作對(duì)性能的影響如表15所示，其中序號(hào)1為基線模型的測(cè)試結(jié)果。

表15 消融實(shí)驗(yàn)結(jié)果Tab.15 Results of ablation experiments

由表15的實(shí)驗(yàn)結(jié)果，本文所采用的不同模塊對(duì)模型的識(shí)別準(zhǔn)確率均有較大的提升作用。在訓(xùn)練損失的改進(jìn)上，Island Loss和Center Loss的加入對(duì)模型的識(shí)別準(zhǔn)確率均有所提升，其中更改訓(xùn)練損失為Island Loss的效果更好，對(duì)比Center Loss提升了1.22%，對(duì)比基線模型提升了2.95%；更改骨干網(wǎng)絡(luò)為EfficientNet-B0網(wǎng)絡(luò)后，對(duì)比ResNet模型，識(shí)別準(zhǔn)確率提升了1.43%；將GRU網(wǎng)絡(luò)更改為BiGRU后，模型具有獲取序列中雙向信息的能力，進(jìn)一步使識(shí)別準(zhǔn)確率提升了0.62%。

消融實(shí)驗(yàn)展示了本文所采用的EfficientNet,BiGRU和Island Loss對(duì)識(shí)別性能的影響，三者的組合對(duì)比基線模型提升了5.00%的識(shí)別準(zhǔn)確率，從而使本文所提方法取得了相當(dāng)?shù)哪繕?biāo)識(shí)別性能。

5 結(jié)束語(yǔ)

本文提出一種基于EfficientNet,BiGRU與Island Loss的多角度SAR圖像目標(biāo)識(shí)別模型，其在SOC,EOC-1,EOC-3 3類數(shù)據(jù)集下的識(shí)別準(zhǔn)確率均優(yōu)于其他主流方法，在EOC-2數(shù)據(jù)集下的識(shí)別準(zhǔn)確率也接近目前的最優(yōu)準(zhǔn)確率。

同時(shí)此模型也在訓(xùn)練樣本減小的情況下維持了較高的識(shí)別準(zhǔn)確率，有較好的魯棒性，是多角度SAR目標(biāo)識(shí)別任務(wù)中一種行之有效的方法。

然而，本文方法雖提高了EOC數(shù)據(jù)集的識(shí)別準(zhǔn)確率，但仍沒有達(dá)到SOC數(shù)據(jù)集的識(shí)別準(zhǔn)確率水平，因此后續(xù)可以繼續(xù)研究測(cè)試集和訓(xùn)練集存在一定差距情況下的模型改進(jìn)和準(zhǔn)確率提升問題。