基于遷移學(xué)習(xí)的小樣本目標(biāo)識(shí)別研究進(jìn)展與展望

周曠，姜名

西北工業(yè)大學(xué)，陜西 西安 710129

在海面目標(biāo)識(shí)別、彈道導(dǎo)彈目標(biāo)識(shí)別、水下航行器目標(biāo)識(shí)別和飛機(jī)目標(biāo)識(shí)別等[1-4]領(lǐng)域中，小樣本問題廣泛存在。在復(fù)雜對抗環(huán)境下，特別是隱身技術(shù)等干擾手段的應(yīng)用使得完善的目標(biāo)信息極為匱乏，給目標(biāo)識(shí)別任務(wù)帶來了極大挑戰(zhàn)。近年來，深度學(xué)習(xí)技術(shù)的發(fā)展為目標(biāo)識(shí)別問題提供了新的思路[5-7]。然而，在小樣本情形下，往往難以獲得充足的訓(xùn)練數(shù)據(jù)來構(gòu)建有效的深度學(xué)習(xí)模型，限制了深度學(xué)習(xí)技術(shù)在小樣本目標(biāo)識(shí)別場景中的應(yīng)用。

對海面目標(biāo)的高效精準(zhǔn)識(shí)別是提升海洋監(jiān)控能力與實(shí)時(shí)態(tài)勢感知能力的關(guān)鍵，也是一個(gè)典型的小樣本場景任務(wù)。海面目標(biāo)信息多來源于空基或天基等探測設(shè)備，獲取形式包括雷達(dá)回波信號、合成孔徑雷達(dá)圖像、衛(wèi)星遙感圖像、紅外圖像等[5]。海面環(huán)境復(fù)雜多變，海面目標(biāo)識(shí)別對天空基探測設(shè)備、飛行員技術(shù)等有著很高的要求，數(shù)據(jù)采集成本高，往往難以獲得足夠數(shù)量的目標(biāo)樣本信息。特別是對于非合作目標(biāo)，獲取該類目標(biāo)全角度的特征信息是十分困難的。因此，小樣本問題在海面目標(biāo)識(shí)別任務(wù)中尤為突出，嚴(yán)重影響了目標(biāo)識(shí)別的效果。

遷移學(xué)習(xí)通過利用與目標(biāo)領(lǐng)域具有一定相似性的源域知識(shí)來輔助目標(biāo)域的學(xué)習(xí)任務(wù)，能夠在目標(biāo)域?yàn)樾颖镜臈l件下，取得更好的學(xué)習(xí)效果。遷移學(xué)習(xí)目前已經(jīng)應(yīng)用于許多領(lǐng)域，如圖像分類[8]、文本分類[9]、雷達(dá)目標(biāo)識(shí)別[10-11]、故障診斷[12]等。將遷移學(xué)習(xí)用于目標(biāo)識(shí)別任務(wù)中，能夠利用相關(guān)目標(biāo)領(lǐng)域的數(shù)據(jù)、知識(shí)等信息來提高小樣本場景下目標(biāo)識(shí)別的準(zhǔn)確率，這也成為目標(biāo)識(shí)別領(lǐng)域新的研究熱點(diǎn)。

本文以海面目標(biāo)識(shí)別為例，對基于遷移學(xué)習(xí)的小樣本目標(biāo)識(shí)別問題現(xiàn)狀進(jìn)行梳理，并對未來發(fā)展方向進(jìn)行展望。

1 海面目標(biāo)識(shí)別現(xiàn)狀

海面目標(biāo)具有分布密集、類型多樣、數(shù)量眾多、隱身能力強(qiáng)等特點(diǎn)，這使探測到的目標(biāo)信息具有很強(qiáng)的不確定性[6]。因此，為提升海面目標(biāo)識(shí)別的準(zhǔn)確率和可靠性，需要融合機(jī)載雷達(dá)、衛(wèi)星遙感、紅外熱成像等多種探測模式下獲得的目標(biāo)特征數(shù)據(jù)，以對特定場景下的目標(biāo)識(shí)別提供更加豐富的信息描述和解釋。按照目標(biāo)信息的來源不同，可以將海面目標(biāo)識(shí)別方法分為基于雷達(dá)成像的方法、基于衛(wèi)星遙感圖像的方法和基于紅外圖像的方法等。

1.1 基于雷達(dá)成像的方法

雷達(dá)作為一種覆蓋范圍大、探測能力強(qiáng)的電子通信設(shè)備，能夠?qū)崿F(xiàn)全天候、長距離的目標(biāo)識(shí)別[7]。針對不同的應(yīng)用場景，包括高分辨率距離像（HRRP）、合成孔徑雷達(dá)（SAR）在內(nèi)的多波段、多極化雷達(dá)可以提供多模式的目標(biāo)特征信息。

雷達(dá)高分辨率距離像能夠反映目標(biāo)的徑向一維特征，包括尺寸、材料、散射信息、電磁特性等。HRRP 序列僅需通過發(fā)射雷達(dá)寬帶信號就能獲取，因此目標(biāo)特征容易得到且更新率較高。SAR 圖像是雷達(dá)對目標(biāo)長時(shí)間觀測的結(jié)果，可通過機(jī)載平臺(tái)或星載平臺(tái)采集[13]。SAR 圖像能夠反映目標(biāo)二維精細(xì)結(jié)構(gòu)特征，因此包含的目標(biāo)信息更為豐富，但是其由于成像距離近及受環(huán)境限制而通常不易獲取[6]。

近年來，利用雷達(dá)技術(shù)，綜合SAR、HRRP 等圖像數(shù)據(jù)來實(shí)現(xiàn)遠(yuǎn)距離、多層次的海面目標(biāo)識(shí)別已經(jīng)成為研究熱點(diǎn)。謝晴等[14]采用多層次正則化的方法增強(qiáng)SAR圖像的特征，再將聯(lián)合稀疏表示分類作用于增強(qiáng)結(jié)果，提升了目標(biāo)分類性能。陳婕等[15]提出一種聯(lián)合多視角SAR 圖像目標(biāo)識(shí)別方法，該方法基于多視角SAR圖像進(jìn)行多視角聚類和視角融合，然后采用聯(lián)合稀疏表示來表征特征矢量，實(shí)現(xiàn)可靠的目標(biāo)分類識(shí)別。王哲昊等[16]提出一種基于角域特征粒子群優(yōu)化的海面目標(biāo)HRRP 識(shí)別方法，利用HRRP 角度信息和自適應(yīng)分幀算法對特征空間進(jìn)行優(yōu)化及劃分，能夠顯著提升海面目標(biāo)分類準(zhǔn)確率。

1.2 基于衛(wèi)星遙感圖像的方法

隨著衛(wèi)星遙感技術(shù)的飛速發(fā)展與遙感圖像分辨率的提高，基于衛(wèi)星遙感圖像的海面目標(biāo)識(shí)別方法越來越受到學(xué)者們的關(guān)注[1]。和雷達(dá)成像的方法相比，高分辨率的衛(wèi)星遙感圖像信息更為豐富，能夠直觀地反映目標(biāo)色彩等真實(shí)特征。但是光學(xué)衛(wèi)星成像易受到天氣、光照等環(huán)境的影響，同時(shí)遙感圖像獲取周期長等特點(diǎn)導(dǎo)致無法實(shí)現(xiàn)海面目標(biāo)的實(shí)時(shí)精準(zhǔn)識(shí)別。

針對衛(wèi)星遙感圖像的上述優(yōu)缺點(diǎn)，許多學(xué)者研究了基于遙感衛(wèi)星的海面目標(biāo)檢測與識(shí)別問題。李曉博等[17]基于序列遙感圖像，提出了一種靜止軌道遙感衛(wèi)星海上艦船目標(biāo)快速檢測方法，能夠準(zhǔn)確獲取多個(gè)艦船目標(biāo)的特征信息。孫越嬌等[18]提出一種基于多源遙感衛(wèi)星的海面目標(biāo)檢測方法，該方法結(jié)合靜止軌道遙感衛(wèi)星大范圍持續(xù)觀測、低軌道遙感衛(wèi)星分辨率高的優(yōu)點(diǎn)，能夠高效判別海面艦船目標(biāo)。

1.3 基于紅外圖像的方法

紅外熱成像技術(shù)是目標(biāo)識(shí)別的重要方法之一，這種技術(shù)能夠全天候提供高分辨率圖像數(shù)據(jù)，并且具有隱蔽性高、不易受到電磁干擾的特點(diǎn)[5]。然而，紅外圖像依賴于目標(biāo)溫度，存在不能顯示目標(biāo)顏色信息、成像過程易受噪聲影響等問題，對于日益復(fù)雜的海面目標(biāo)識(shí)別任務(wù)仍面臨魯棒性低、識(shí)別率不高等挑戰(zhàn)。

許多學(xué)者針對復(fù)雜海天環(huán)境下紅外成像目標(biāo)的檢測與識(shí)別展開研究。胡思茹等[19]針對紅外圖像中艦船目標(biāo)、天空、海浪等局部區(qū)域的典型特征，統(tǒng)計(jì)分析了各個(gè)特征在不同區(qū)域中的分布與可區(qū)分性，提升了復(fù)雜環(huán)境下紅外艦船目標(biāo)識(shí)別能力。苗傳開等[20]提出一種紅外艦船目標(biāo)檢測識(shí)別方法，該方法基于顯著性檢測和去噪處理后的圖像來分割艦船目標(biāo)，通過提取不變矩、長寬比等多特征對目標(biāo)進(jìn)行綜合識(shí)別。

對現(xiàn)有海面目標(biāo)識(shí)別方法進(jìn)行梳理、分析可以發(fā)現(xiàn)，上述三種方法均存在高質(zhì)量目標(biāo)信息獲取困難、目標(biāo)特征不夠精準(zhǔn)的問題。遷移學(xué)習(xí)技術(shù)能夠借助相關(guān)領(lǐng)域的數(shù)據(jù)或者輔助知識(shí)，在小樣本情形下提升學(xué)習(xí)算法的性能，是解決小樣本不確定環(huán)境下海面目標(biāo)識(shí)別問題的有效途徑。

2 遷移學(xué)習(xí)

遷移學(xué)習(xí)通過對輔助信源知識(shí)的遷移來幫助目標(biāo)領(lǐng)域訓(xùn)練可靠的決策函數(shù)，從而解決目標(biāo)域中樣本數(shù)據(jù)無標(biāo)記或僅有少量標(biāo)記樣本時(shí)的學(xué)習(xí)問題。同時(shí)，遷移學(xué)習(xí)放寬了傳統(tǒng)機(jī)器學(xué)習(xí)方法要求訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)服從相同概率分布的限制，只需要源域和目標(biāo)域之間具有一定的相似關(guān)系。如圖1 所示。在遷移學(xué)習(xí)中，源域和目標(biāo)域的聯(lián)合概率分布一般有如下關(guān)系

圖1 遷移學(xué)習(xí)示意圖Fig.1 Transfer learning

式中，PS和PT分別表示源域和目標(biāo)域的概率分布，x表示樣本，y表示樣本的標(biāo)簽。

2.1 遷移學(xué)習(xí)的分類

根據(jù)源域和目標(biāo)域的樣本是否標(biāo)注，可以將遷移學(xué)習(xí)分為直推式遷移學(xué)習(xí)、歸納遷移學(xué)習(xí)和無監(jiān)督遷移學(xué)習(xí)[21]。直推式遷移學(xué)習(xí)指僅源域樣本有標(biāo)簽的情形，歸納遷移學(xué)習(xí)是指目標(biāo)域樣本也存在標(biāo)簽信息的情形，當(dāng)源域和目標(biāo)域樣本都沒有標(biāo)簽時(shí)，則稱為無監(jiān)督遷移學(xué)習(xí)。另外，根據(jù)目標(biāo)域和源域的特征空間是否相同，可以將遷移學(xué)習(xí)分為同構(gòu)遷移學(xué)習(xí)和異構(gòu)遷移學(xué)習(xí)。同構(gòu)遷移學(xué)習(xí)的源域和目標(biāo)域的特征空間相同。異構(gòu)遷移學(xué)習(xí)允許目標(biāo)領(lǐng)域與源領(lǐng)域中的數(shù)據(jù)位于不同特征空間，有更強(qiáng)的實(shí)際應(yīng)用價(jià)值。

2.2 遷移學(xué)習(xí)方法

遷移學(xué)習(xí)方法可以分為三類，分別為基于樣本的遷移學(xué)習(xí)方法、基于特征變換的遷移學(xué)習(xí)方法和基于模型的遷移學(xué)習(xí)方法[21]。遷移學(xué)習(xí)統(tǒng)一表征如下[22]

式中，vi表示源域中第i個(gè)樣本的權(quán)重；NS表示源域中樣本的數(shù)量；T表示作用在目標(biāo)域和源域上的特征變換函數(shù)；R()表示正則化項(xiàng)。

基于樣本的方法通過對源域樣本進(jìn)行加權(quán)處理來減小源域和目標(biāo)域之間的分布差異。其具體思想如圖 2 所示，即對源域中和目標(biāo)域相似性高的樣本賦予較大的權(quán)重，對相似性低的樣本賦予較小的權(quán)重。該類方法包括經(jīng)典的核均值匹配算法KMM[23]和TrAdaBoost[24]等。TrAdaBoost是在AdaBoost的基礎(chǔ)上發(fā)展而來的，該算法利用少量有標(biāo)注的目標(biāo)域數(shù)據(jù)和大量來自其他領(lǐng)域的數(shù)據(jù)，根據(jù)樣本是否有利于分類目標(biāo)來設(shè)計(jì)權(quán)重策略，進(jìn)而構(gòu)建精確的分類模型，能夠有效地在源域和目標(biāo)域之間進(jìn)行知識(shí)遷移。

圖2 基于樣本的遷移學(xué)習(xí)方法Fig.2 Instance-based method of transfer learning

基于特征變換的方法通過構(gòu)建新的特征表示方法來提升源域和目標(biāo)域特征的相似性，又可分為統(tǒng)計(jì)特征變換方法和幾何特征變換方法。Pan 等[25]基于邊緣分布的最大均值差異度量，提出了遷移成分分析（TCA）方法，該方法將源域和目標(biāo)域中的特征映射到新的潛空間，在進(jìn)行特征降維的同時(shí)減小域間的分布差異。該類方法研究成果豐富，還包括聯(lián)合分布自適應(yīng)（JDA）方法[26]、平衡分布自適應(yīng)（BDA）方法[27]、動(dòng)態(tài)分布自適應(yīng)（MEDA）方法[28]、測地線流式核（GFK）方法[29]和CORAL[30]等。

基于模型的方法假設(shè)源域和目標(biāo)域模型的一些參數(shù)或者超參數(shù)的先驗(yàn)分布相同，通過尋找域間的共享參數(shù)信息來實(shí)現(xiàn)遷移。這類方法通常與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合，通過對現(xiàn)有的深度網(wǎng)絡(luò)進(jìn)行微調(diào)來適應(yīng)特定的任務(wù)，實(shí)現(xiàn)模型或參數(shù)的遷移。Valdenegro-Toro等[31]針對聲納圖像構(gòu)建預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，拓展了遷移學(xué)習(xí)在聲納圖像分類中的應(yīng)用。

表1 給出了4 種經(jīng)典的遷移學(xué)習(xí)方法在Office-Caltech圖像數(shù)據(jù)集上的分類準(zhǔn)確率。該數(shù)據(jù)集由4種不同來源的圖 像數(shù)據(jù)組成，分別 為C（Caltech）、A（Amazon）、W（Webcam）和D（DSLR），共有12個(gè)跨域遷移任務(wù)。

表 1 Office-Caltech 數(shù)據(jù)集上跨域任務(wù)準(zhǔn)確率Table 1 Accuracy of cross-domain tasks on the Office-Caltech dataset

上述三類遷移學(xué)習(xí)方法能夠從數(shù)據(jù)和模型層面對源域知識(shí)加以利用，輔助目標(biāo)域中的學(xué)習(xí)任務(wù)。因此，遷移學(xué)習(xí)可用于解決海面目標(biāo)識(shí)別任務(wù)中的小樣本問題。

2.3 基于遷移學(xué)習(xí)的目標(biāo)識(shí)別

在目標(biāo)識(shí)別任務(wù)普遍缺乏完全數(shù)據(jù)的背景下，許多學(xué)者將遷移學(xué)習(xí)用于地面目標(biāo)識(shí)別[32]、水聲目標(biāo)識(shí)別[4]、火箭目標(biāo)識(shí)別[33]等目標(biāo)識(shí)別問題中，提升了小樣本情況下的識(shí)別效果和準(zhǔn)確率。

張長勇等[32]針對機(jī)場地面目標(biāo)識(shí)別中的小樣本問題，采用基于模型的遷移學(xué)習(xí)方法，利用ImageNet數(shù)據(jù)集上的預(yù)訓(xùn)練模型，通過凍結(jié)低層網(wǎng)絡(luò)，調(diào)整高層參數(shù)得到用于機(jī)場地面目標(biāo)識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)。鄧晉等[4]利用VGG 等預(yù)訓(xùn)練模型提取水聲目標(biāo)深層聲學(xué)特征，結(jié)合模型微調(diào)實(shí)現(xiàn)水聲目標(biāo)的分類識(shí)別，在縮短訓(xùn)練時(shí)間的同時(shí)提升了分類準(zhǔn)確率。劉浩等[33]針對飛行火箭目標(biāo)識(shí)別問題，提出利用外部數(shù)據(jù)集訓(xùn)練孿生神經(jīng)網(wǎng)絡(luò)，通過特征知識(shí)遷移和目標(biāo)數(shù)據(jù)微調(diào)構(gòu)建遷移學(xué)習(xí)網(wǎng)絡(luò)來比較火箭相似度，在單樣本情形下解決火箭目標(biāo)識(shí)別問題。Wen等[10]針對HRRP目標(biāo)識(shí)別問題，使用歸納遷移學(xué)習(xí)方法，基于源域輔助數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，再基于目標(biāo)域中的真實(shí)數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行微調(diào)；使用直推式遷移學(xué)習(xí)方法，在卷積神經(jīng)網(wǎng)絡(luò)中引入最大均值差異MMD來減少源域和目標(biāo)域數(shù)據(jù)分布間的差異，提升了識(shí)別準(zhǔn)確率。David等[11]針對目標(biāo)識(shí)別中SAR 圖像數(shù)據(jù)缺乏的問題，利用模擬數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，提高了分類模型的準(zhǔn)確率。

3 遷移學(xué)習(xí)在海面目標(biāo)識(shí)別中的應(yīng)用

在海面目標(biāo)識(shí)別中，雷達(dá)、遙感、紅外等單一領(lǐng)域數(shù)據(jù)樣本量通常較少，不確定性強(qiáng)。遷移學(xué)習(xí)能夠有效利用標(biāo)記樣本較多的相關(guān)領(lǐng)域數(shù)據(jù)，提升小樣本條件下海面目標(biāo)識(shí)別任務(wù)的準(zhǔn)確率。

3.1 基于遷移學(xué)習(xí)的海面目標(biāo)識(shí)別

目前，學(xué)者們針對海面目標(biāo)識(shí)別中SAR圖像的小樣本問題，將標(biāo)簽完整的可見光圖像、紅外圖像等相關(guān)領(lǐng)域數(shù)據(jù)作為源域，具有少量標(biāo)簽或無標(biāo)簽的SAR 圖像作為目標(biāo)域，構(gòu)建基于遷移學(xué)習(xí)的海面目標(biāo)識(shí)別方法。

Lang 等[1]針對艦船目標(biāo)識(shí)別中SAR 圖像標(biāo)記樣本不足的問題，提出基于支持向量機(jī)的多類自適應(yīng)算法，在船舶自動(dòng)識(shí)別系統(tǒng)（AIS）中的標(biāo)記樣本和少量的SAR圖像之間進(jìn)行遷移學(xué)習(xí)，提升了傳統(tǒng)支持向量機(jī)算法的分類準(zhǔn)確率。Xu 等[34]提出一種帶有源域信息判別正則化項(xiàng)的無監(jiān)督領(lǐng)域自適應(yīng)方法D-ARTL，以解決目標(biāo)域中SAR 圖像無標(biāo)簽的問題，該方法能夠在對齊跨域分布的同時(shí)實(shí)現(xiàn)AIS 信息到目標(biāo)域的有效遷移。Rostami等[35]針對目標(biāo)域SAR圖像難以訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)并構(gòu)建分類模型的問題，提出將相關(guān)的光電圖像作為源域，通過學(xué)習(xí)跨域不變空間進(jìn)行知識(shí)遷移，輔助基于SAR圖像的艦船分類識(shí)別任務(wù)。Song等[36]提出一種針對軍民艦船目標(biāo)識(shí)別的兩階段遷移學(xué)習(xí)方法，該方法首先將光學(xué)圖像域數(shù)據(jù)遷移到作為中間域的類SAR圖像域中，然后基于對抗網(wǎng)絡(luò)和度量學(xué)習(xí)進(jìn)行中間域和目標(biāo)域SAR 圖像的領(lǐng)域自適應(yīng)，實(shí)現(xiàn)軍民艦船目標(biāo)遷移識(shí)別。

3.2 海面目標(biāo)識(shí)別試驗(yàn)結(jié)果與分析

TerraSAR-X SAR 數(shù)據(jù)集[37]由三類船舶的SAR 圖像組成，分別為集裝箱船、油輪和散裝貨船，每類船舶的樣本數(shù)量均為150個(gè)。從該數(shù)據(jù)集中的每一類中分別選擇50個(gè)無標(biāo)簽的SAR圖像數(shù)據(jù)組成目標(biāo)域，同時(shí)選擇1800個(gè)有標(biāo)簽的AIS 數(shù)據(jù)（每類600 個(gè)）組成源域。表 2 給出了多種遷移學(xué)習(xí)方法在上述跨域任務(wù)上識(shí)別準(zhǔn)確率的均值和標(biāo)準(zhǔn)差。

表 2 TerraSAR-X SAR數(shù)據(jù)集上的準(zhǔn)確率Table 2 Accuracy on TerraSAR-X SAR dataset

從上述定量試驗(yàn)結(jié)果可以看出，D-ARTL 方法的識(shí)別準(zhǔn)確率最高，相較于經(jīng)典的TCA方法有著顯著的提升。

4 遷移學(xué)習(xí)在海面目標(biāo)識(shí)別中的主要挑戰(zhàn)

上節(jié)對遷移學(xué)習(xí)在海面目標(biāo)識(shí)別中的應(yīng)用進(jìn)行了介紹，結(jié)合遷移學(xué)習(xí)技術(shù)能夠在一定程度上解決目標(biāo)樣本不足的問題，從而提升識(shí)別的準(zhǔn)確率。然而，在海面目標(biāo)識(shí)別問題中存在的目標(biāo)樣本數(shù)量少、噪聲強(qiáng)等因素導(dǎo)致遷移學(xué)習(xí)在實(shí)際應(yīng)用中仍存在諸多問題，包括易發(fā)生負(fù)遷移、遷移模型穩(wěn)定性低以及泛化性弱等。

4.1 負(fù)遷移的問題

當(dāng)特定目標(biāo)的數(shù)據(jù)稀缺時(shí)，遷移學(xué)習(xí)通過利用相關(guān)領(lǐng)域的數(shù)據(jù)來輔助目標(biāo)域任務(wù)的決策。但是，當(dāng)從一些不太相關(guān)的源域中遷移知識(shí)時(shí)，很可能會(huì)對目標(biāo)任務(wù)造成負(fù)面影響，這種情況就是負(fù)遷移。一些研究表明，若源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)相關(guān)性較低，或者任務(wù)類型差異過大，就會(huì)造成負(fù)遷移的情況。同時(shí)，負(fù)遷移往往和目標(biāo)域中標(biāo)記數(shù)據(jù)的數(shù)量較少有關(guān)，而海面目標(biāo)識(shí)別中，小樣本問題是普遍存在的。因此，將遷移學(xué)習(xí)用于海面目標(biāo)識(shí)別任務(wù)時(shí)，如何避免負(fù)遷移是一個(gè)重要的問題。

鑒于負(fù)遷移問題的普遍性和重要性，許多學(xué)者針對如何避免負(fù)遷移展開研究。Gui等[38]認(rèn)為遷移學(xué)習(xí)迭代過程中積累的噪聲會(huì)造成負(fù)遷移，提出識(shí)別噪聲樣本以減少噪聲積累，該方法能夠檢測負(fù)遷移發(fā)生的位置，從而能夠正確地停止遷移學(xué)習(xí)算法。Jamal 等[39]在人臉識(shí)別領(lǐng)域自適應(yīng)問題中提出通過最小化目標(biāo)識(shí)別器和源域識(shí)別器性能損失函數(shù)來避免負(fù)遷移。Jiang 等[40]提出將源域和目標(biāo)域數(shù)據(jù)映射到共享跨域潛空間中，通過計(jì)算遷移知識(shí)的權(quán)重來避免負(fù)遷移。Wang 等[41]給出了負(fù)遷移條件，提出用NTG 指標(biāo)來評估負(fù)遷移的程度，并基于對抗網(wǎng)絡(luò)技術(shù)，通過過濾與目標(biāo)域無關(guān)的源域數(shù)據(jù)來改進(jìn)原始的遷移學(xué)習(xí)算法，能夠在一定程度上避免負(fù)遷移的產(chǎn)生。該方法在Office-31 數(shù)據(jù)集上的結(jié)果見表3，Office-31數(shù)據(jù)集由三種不同來源的數(shù)據(jù)組成，分別為A（Amazon）、W（Webcam）和D（DSLR），每種數(shù)據(jù)可分為31類。表3中DANgate、DCORALgate和GTAgate方法分別表示改進(jìn)的DAN[42]、DCORAL[43]、GTA[44]方法，NTG ＞0說明存在負(fù)遷移，NTG ＜0說明不存在負(fù)遷移。

表 3 Office-31數(shù)據(jù)集上部分任務(wù)的NTGTable 3 NTG of some tasks on Office-31 dataset

上述定量試驗(yàn)結(jié)果表明，負(fù)遷移在跨域遷移任務(wù)中是普遍存在的，幾種經(jīng)典方法均存在較為明顯的負(fù)遷移情況。參考文獻(xiàn)[41]中提出的方法能夠明顯減小負(fù)遷移發(fā)生的程度，在多組跨域任務(wù)上避免負(fù)遷移的發(fā)生。

4.2 穩(wěn)定性和泛化性的問題

海洋環(huán)境復(fù)雜多變，不同海面目標(biāo)信息之間的差異往往很大。同時(shí)，雷達(dá)成像不同于普通的光學(xué)圖像，成像過程受多方面因素影響。如SAR 圖像會(huì)受到相干斑、結(jié)構(gòu)缺失、幾何畸變、陰影等現(xiàn)象影響，導(dǎo)致成像質(zhì)量下降。因此，提升遷移學(xué)習(xí)方法在處理海面目標(biāo)信息時(shí)的穩(wěn)定性是非常重要的。此外，海面目標(biāo)識(shí)別任務(wù)中SAR圖像等數(shù)據(jù)的獲取相當(dāng)困難，通常很難獲取完備的訓(xùn)練樣本，這對遷移學(xué)習(xí)方法在小樣本問題上的泛化能力提出了很高的要求。

針對上述問題，許多學(xué)者從領(lǐng)域不變特征表示、領(lǐng)域泛化[45]等方面展開研究。Yang 等[46]將因果結(jié)構(gòu)學(xué)習(xí)和自動(dòng)編碼器相結(jié)合，提出基于源域數(shù)據(jù)來學(xué)習(xí)不變特征子集的因果自編碼器（CAE），該方法不依賴目標(biāo)域數(shù)據(jù)就能分離出低維特征表示，從而能夠有效地實(shí)現(xiàn)領(lǐng)域間的穩(wěn)定遷移。Zhang 等[47]針對分布變化下深度模型的泛化性問題，提出了深度穩(wěn)定學(xué)習(xí)方法StableNet，通過樣本加權(quán)來消除相關(guān)和非相關(guān)特征之間的統(tǒng)計(jì)相關(guān)性，在多個(gè)分布差異較大的不同領(lǐng)域圖像數(shù)據(jù)上實(shí)現(xiàn)了較好的分類效果。Mancini等[48]提出建立多個(gè)領(lǐng)域特定分類器來解決領(lǐng)域泛化問題，通過比較輸入圖像與源域樣本的相似度來選擇最優(yōu)的源域分類器組合。表4 給出了CAE 方法在Office-Caltech 數(shù)據(jù)集的分類準(zhǔn)確率。

表 4 CAE方法的準(zhǔn)確率Table 4 Accuracy of CAE method

將表4給出的試驗(yàn)結(jié)果和表1進(jìn)行對比，可以發(fā)現(xiàn)CAE方法僅依靠源域數(shù)據(jù)就能夠達(dá)到經(jīng)典遷移學(xué)習(xí)方法的準(zhǔn)確率。在給定一個(gè)源域的情況下，該方法在多個(gè)目標(biāo)域中均能取得良好的分類效果。說明CAE 方法具有較強(qiáng)的穩(wěn)定性和泛化能力。

5 未來發(fā)展趨勢分析

基于遷移學(xué)習(xí)的海面目標(biāo)識(shí)別研究已經(jīng)取得一定的成果，但仍存在許多亟須解決的問題，未來有著廣闊的發(fā)展空間。對未來的發(fā)展趨勢分析主要包括兩個(gè)方面：一是結(jié)合神經(jīng)網(wǎng)絡(luò)可解釋性來實(shí)現(xiàn)可解釋的目標(biāo)識(shí)別；二是結(jié)合因果關(guān)系實(shí)現(xiàn)基于因果遷移的目標(biāo)識(shí)別。

5.1 可解釋的目標(biāo)識(shí)別

近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，越來越多的目標(biāo)識(shí)別方法選擇借助神經(jīng)網(wǎng)絡(luò)模型等來提高識(shí)別準(zhǔn)確率，如在SAR 圖像目標(biāo)識(shí)別中常使用卷積神經(jīng)網(wǎng)絡(luò)。然而，神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)模型缺乏可解釋性，人們往往無法理解模型的決策過程與內(nèi)部機(jī)理，從而無法判斷決策的可靠性。特別是對于軍事目標(biāo)偵察、海面目標(biāo)識(shí)別等決策風(fēng)險(xiǎn)較高的任務(wù)，缺乏可解釋性的深度學(xué)習(xí)模型在實(shí)際應(yīng)用中存在很大的風(fēng)險(xiǎn)，難以取得用戶信任，實(shí)際上往往缺乏廣泛的應(yīng)用場景。因此，實(shí)現(xiàn)可解釋的目標(biāo)識(shí)別是一個(gè)亟待研究和解決的問題。

5.2 基于因果遷移的目標(biāo)識(shí)別

將遷移學(xué)習(xí)用于小樣本的目標(biāo)識(shí)別問題時(shí)，源域和目標(biāo)域樣本往往不服從獨(dú)立同分布的假設(shè)。在這種情況下，數(shù)據(jù)中的環(huán)境、背景等因素帶來的偽相關(guān)關(guān)系可能會(huì)影響目標(biāo)識(shí)別模型的性能。為了消除這種不利影響，可以考慮結(jié)合因果關(guān)系的遷移學(xué)習(xí)，即通過因果結(jié)構(gòu)學(xué)習(xí)等方式來尋找源域和目標(biāo)域之間的不變特征或不變表示，從而實(shí)現(xiàn)領(lǐng)域間知識(shí)的穩(wěn)定有效遷移[46,49]。然而，對于海面目標(biāo)識(shí)別問題中的多傳感器數(shù)據(jù)，如SAR 圖像、衛(wèi)星光學(xué)遙感圖像等，其原始數(shù)據(jù)特征分量之間的因果關(guān)系可能并不明顯。因此，為實(shí)現(xiàn)基于因果遷移的目標(biāo)識(shí)別，需要根據(jù)任務(wù)背景和特點(diǎn)并結(jié)合專家知識(shí)，挖掘數(shù)據(jù)中隱含的具有一定語義含義的因果關(guān)系，提升小樣本條件下目標(biāo)識(shí)別模型的識(shí)別效果。

6 結(jié)束語

構(gòu)建海面目標(biāo)精準(zhǔn)識(shí)別體系是建設(shè)海洋強(qiáng)國的重要組成部分。近年來，利用遷移學(xué)習(xí)來解決海面目標(biāo)識(shí)別中普遍存在的小樣本問題已經(jīng)成為新的研究熱點(diǎn)。本文通過介紹遷移學(xué)習(xí)的基本思路和方法，梳理了遷移學(xué)習(xí)在目標(biāo)識(shí)別問題中的應(yīng)用進(jìn)展，探討了遷移學(xué)習(xí)在海面目標(biāo)識(shí)別應(yīng)用中存在的問題和未來可能的發(fā)展趨勢。通過分析可以發(fā)現(xiàn)，遷移學(xué)習(xí)為海面目標(biāo)識(shí)別問題帶來了新的發(fā)展思路，未來有著廣闊的發(fā)展和應(yīng)用前景，值得更加深入地開展相關(guān)研究工作。