顾丹丹, 廖 意, 王晓冰
(电磁散射重点实验室,上海 200438)
雷达目标识别[1]作为一项面向探测预警、情报侦察、态势感知、精确制导等多个军事应用领域的关键技术,一直是国内外持续关注的研究热点。传统的雷达目标识别方法主要包含基于模板的方法[2]和基于模型的方法[3]两大类。这些方法基于雷达目标的几何、电磁、统计等物理特性进行人工建模,框架可解释性强,识别的特征和模型具有明确的统计或物理含义。但人工模型构建[4]较为复杂,尤其在特征器选择和分类器构建方面耗时耗力,存在灵活性差、泛化能力弱的不足,难以满足复杂动态环境、时间敏感场景的应用需求。
近年来,深度学习技术因其强大的自动特征学习能力、端到端的处理优势,被引入到雷达目标识别领域且发展迅速,在一些方面甚至取得了显著超越传统方法的性能[5]。但是,当前数据驱动方法的预测结果高度依赖训练数据,通常忽视了雷达目标潜在的物理特性,甚至违背了物理认知[6]。该方法内部工作机理不透明、可解释性不足,且模型在不同的雷达数据上泛化能力差,造成其在军事应用领域面临不敢用、不能用的困境[7]。
雷达目标数据获取难度大,样本标注难,目标覆盖率不足,导致雷达目标识别天然是小样本学习问题。当前,深层次地整合物理模型和数据驱动的方法在雷达目标识别领域变得愈发重要。数据驱动的方法擅长从大规模数据中自动挖掘新模式,可对物理过程进行有效的补充;反之,在数据驱动方法中加入可解释的物理模型,能提升深度学习算法的透明度,并降低模型对标记样本的依赖,提高算法在小样本条件下的适用性。
本文针对知识引导的雷达目标智能识别技术方向,从数据集构建、知识理解、知识引导的识别技术进展等方面探讨了相关研究情况,并对有待重点关注的发展方向进行了思考和总结。
1.1 公开数据集
雷达目标识别任务中一直面临样本不足的挑战。长期以来,业内应用最为广泛的基准数据库为美国国防高等研究计划署于1997年发布的移动与静止目标搜索与识别(moving and stationary target acquisition and recognition,MSTAR)数据集[8]。随着我国雷达技术的飞速发展,国内雷达领域近几年陆续发布了多个合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测、识别相关的数据集[9-10]。国内外代表性的雷达目标识别数据集信息统计如表1所示。但是,现有数据集的样本规模较小,采样状态不够丰富,加之部分数据相位信息缺失,与深度学习的海量样本需求以及电磁物理知识学习的雷达数据需求仍有不少差距。
除表1所列数据集外,中科院空天信息研究院基于高分三号SAR卫星聚束模式数据,构建了SAR飞机目标识别数据集(aircraft classification dataset,ACD)[10]。该数据集主要用于飞机类目标检测与细粒度识别,图像分辨率1 m、单极化。场景包括首都国际机场、上海虹桥机场、桃园机场等多时相图像,包含A220、A330、Boeing787等6类民用飞机和14类其他机型,共计4 322个飞机目标。遗憾的是该数据集目前仅对国内遥感领域的一些重要赛事公开。
表1 国内外代表性的雷达目标识别数据集信息统计
1.2 基于目标特性的数据增广
针对雷达目标识别样本不足的问题,常采用数据增广技术来扩充、丰富样本集。但由于雷达目标数据对观测条件和目标细节的变化比较敏感,且受遮挡、掩叠、相干斑噪声等特殊效应影响,使得光学领域普适的数据扩充手段难以直接应用于雷达目标数据[11]。如何实现有效、逼真的雷达目标识别样本数据增广成为重要的研究方向。
基于目标特性的雷达目标数据增广是采用电磁散射建模仿真、实验室环境下模拟测量等手段实现数据样本扩充的方法。该类方法具有样本状态可控、便于定量系统分析、特性数据的电磁物理意义可解释等优点。
RaySAR方法[11]基于目标三维模型,利用射线追踪技术构建仿真样本,需要人为设定与目标相关的电磁参数,仿真图像的质量在很大程度上取决于电磁参数的设置。GU等[12]提出一种时变海面舰船雷达图像快速生成算法,算法设计综合考虑了舰船六自由度运动及雷达成像掩叠、遮挡等效应的影响,可在几秒内完成单帧复合散射图像样本生成。董纯柱等[13]提出一种SAR信号级高效仿真方法,基于地面车辆目标仿真场景模型,采用射线追踪方法模拟SAR探测过程中电磁波与目标及环境的作用机理,实现宽带电磁散射及地面-目标间耦合散射的快速计算,最后通过成像处理和图像相似度评估,确认形成高质量SAR样本图像。WANG等[14]采用SAR成像回波仿真方法生成军事车辆目标的仿真图像,用于对改进的卷积神经网络(convolutional neural network,CNN)的预训练,进而通过迁移学习提升了识别性能,验证了基于目标特性仿真技术解决由SAR样本数据不足带来的过拟合问题的可行性。
针对公开的雷达杂波下目标和环境数据缺乏、场景设计针对性差、仿真数据真实性有限、实测数据格式不规范、数据描述与标注信息不全等问题,国内多家目标特性研究与数据处理优势科研院所和高校于2020年底联合发布了以实验室环境下测量为主的雷达目标数据集。宋志勇等[15]通过雷达外场实地数据录取与数据加工处理,提供了一套以地物杂波下固定翼无人机为探测对象的雷达弱小目标检测跟踪标准数据集。数据集涵盖强杂波、低信噪比、高动态、强机动、目标数目变化等典型场景,共计15段数据。
虽然基于目标特性获取的数据通常比较理想,但由于背景环境、目标模型、传感器与实测情况难免有差异,导致目标特性仿真数据与实测数据本质上为非同源数据[16]。如何克服或跨越数据源的差异,利用目标特性数据改善非同源SAR目标识别性能,仍值得深入研究。
1.3 基于变换/生成对抗处理的数据增广
基于变换或生成对抗网络(generative adversarial networks,GANs)的数据增广是通过人工数据变换处理或生成器与判别器的对抗训练,学习数据的分布信息,实现新数据模拟生成的方法。DING等[17]讨论了平移信号、添加噪声和样本合成3种数据扩充方法并进行了验证。WAGNER等[5]通过弹性变形和仿射变换,生成扩充数据,以提升模型的鲁棒性。
GUO等[18]利用GANs生成SAR目标样本,并通过杂波归一化解决由噪声引起的模型训练困难问题。CUI等[19]利用基于梯度惩罚的Wasserstein生成对抗网络(WGAN)生成扩充样本,同时提出一种从生成样本中选取高质量且具有特定方位角样本的方法。王汝意等[20]通过飞行试验采集飞机目标SAR多角度数据,并基于散射分析和自注意力生成对抗网络,实现特定角度的SAR图像内插仿真,为数据集构建和扩容提供新的解决方案。LIU等[21]采用环状生成对抗网络(cycleGAN),实现仿真数据域与真实数据域之间的转换,以提升仿真样本的逼真度。结果表明:相比于直接用仿真数据作为扩充样本,经cycleGAN优化后的数据作为扩充数据时的识别率提升了15%。
基于变换/生成对抗处理的数据增广的实现相对简单,可以快速、便捷地实现数据样本扩充,但所生成的样本数据主要满足一定的视觉、统计分布等相似性,没有明确的电磁物理意义。尤其是GANs仍存在训练困难、稳定性不足、模式崩溃等问题,如何基于变换/生成对抗处理获取能够有效提升识别性能的样本仍是具有挑战性的课题。
雷达目标特性包含尺度(位置与轨迹)信息与特征信息[22],这些信息都隐含于雷达回波及其变换域特性数据之中。如何对隐含于雷达回波或特性数据中的物理尺度、特征信息进行参数化表征,并通过深层的理解与学习,转化为有利于目标辨识、抗干扰等实际应用需求的雷达目标特性知识一直是研究热点。
2.1 基础特征类领域知识
常规的目标特性领域知识描述形式为采用基础目标特性表征方法,从几何特征、散射强度、纹理、统计特征、散射分布等多个维度对雷达目标特征信息进行参数化表达,此处将其综合简称为“基础特征类领域知识”[3,23]。
(1)几何特征
描述目标的几何、形状等信息,主要包括目标的长、宽、长宽比、周长、像素面积,以及目标的形状复杂度、质心、惯性矩、空间填充比等。
(2)散射强度特征
描述目标的总体散射能量水平,主要包括目标雷达散射截面积(RCS)均值、能量填充比,以及目标高、中、低散射强度(取总值的10%、50%、90%)等。
(3)纹理特征
描述目标与环境的散射强度起伏变化特性,主要包括目标RCS标准差、变化系数、分形维数、熵等。
(4)统计特征
主要有幅度统计特征、直方图统计特征、不变矩特征等。
(5)局部散射分布特征
描述沿目标纵轴、横轴方向,目标各组成部件的散射强度局部相对分布的特征量。
2.2 基于理解/学习的派生类领域知识
将通过深层理解与学习,总结归纳得到的领域知识描述形式,综合简称为“派生类领域知识”。主要包括属性散射中心[24]、散射机制[25]、空间分布[3]、幅相融合信息[3]、微波视觉显著性特征[26]、散射拓扑[9]、部件级三维参数化[27]等表征模型。
(1)属性散射中心模型
属性散射中心模型是基于几何绕射和物理光学理论提出的描述高频区复杂目标散射特性的参数模型,可作为描述目标散射源分布特性的物理量用目标细粒度识别。
(2)散射机制表征模型
散射机制表征模型是通过散射机制类型单一,易于定量、定性分析的简单几何散射体(如平板、圆柱、圆球、二面角、三面角、帽顶等)来近似复杂目标散射机制,建立的目标关键语义信息的描述模型。舰船目标散射体近似示意如图1所示。
图1 舰船目标散射体近似示意图[25]
(3)空间分布表征模型
空间分布表征模型是通过高斯核密度估计器,计算微波图像空间信息特征量的参数模型,适用于强相干斑噪声或旁瓣等杂波的抑制。
(4)幅相融合信息表征模型
幅相融合信息表征模型综合利用幅度与相位信息,形成目标与背景杂波对比度增强的新特征图。例如基于复值图像中目标与杂波的相干性差异,计算得到子孔径相干系数特征图。
(5)微波视觉显著性表征模型
微波视觉显著性表征模型通过在电磁频谱域模拟人类的选择性视觉注意机制,构建局部、全局等微波视觉显著性特征图,凸显复杂场景中感兴趣目标,抑制背景杂波。
(6)散射拓扑表征模型
散射拓扑表征模型是基于拓扑学的概念,利用拓扑节点表示强散射点,拓扑边表示散射点的关联,实现目标细粒度结构特征的建模表示。飞机目标散射拓扑表征如图2所示。
图2 飞机目标散射拓扑表征[9]
(7)部件级三维参数化电磁模型
部件级三维参数化电磁模型通过一组属性电磁部件(如高帽、二面体、三面体等)来描述目标,散射机制和目标特性均编码于其中,每个部件的参数与目标的物理结构的关系清晰,可用于目标理解和推理。
可解释人工智能(explainable artificial intelligence,XAI)是目前AI领域的一大前沿研
3.1 可解释的深度学习建模
究方向[7]。相关研究主要分为两大类:一是模型的可解释性,即对已有的网络模型,通过可解释性分析工具或者代理模型,理解深层模型的全局或局部决策行为依据;二是可解释的模型,即基于一定的物理或者语义等领域知识,设计并构建自身具有一定可解释性的神经网络模型,网络结构和中间层具有明确的物理或者语义含义[6]。在雷达领域,第一类相关研究工作可参考文献[6,28-29]。本文所提的雷达目标特性知识引导的智能识别技术属于第二类研究的范畴。
在第二类研究中,如何进行领域知识的表达和嵌入是其中的难点。针对如何通过物理知识的干预来减少神经网络对标记样本的依赖,提高模型性能的问题,文献[7]初步建立了如图3所示的物理引导与注入式学习(physics guided and injected learning,PGIL)新范式。
物理引导与注入式学习包含无监督的物理导入式学习(physics guided learning,PGL)和有监督的物理注入式学习(physics injected learning,PIL)两个阶段,如图3所示。
图3 物理引导与注入式学习示意图[7]
fPGL表示第一个学习阶段。以SAR复图像样本x的幅度图像xI为输入,利用物理模型提供的知识yphy,驱动深度神经网络(deep NNs)在不依靠语义标注信息的情况下进行训练,得到具有物理感知能力的语义判别性特征表示FPA,即fPGL:｛xI,yphy｝→FPA。yphy为前文所述具有物理含义的多种领域知识,FPA是通过yphy引导学习的特征图。FPA比yphy具有更强的适应性,更接近雷达目标数据的高层语义,并且这种无监督训练模型可以充分利用大规模的无标注雷达数据样本进行训练,使FPA具有更强的泛化能力。
fPIL代表第二个学习阶段。以SAR复图像样本x为输入,设计物理转移层将FPA注入传统数据驱动网络中,从而利用少量的已知标签的样本进行监督式训练,即fPIL:｛x , yphy｝→y,其中y表示语义标签。同时,PGL中的物理知识可通过一体化网络连接形成目标函数的约束,引导网络训练。
此外,直接将物理知识yphy与已知标签的样本一起作为网络输入,进行有监督网络训练学习,可得到PGIL范式的特殊简化形式,即f:｛x , yphy｝→y。该模型可简单总结为多模态或多特征的融合学习模型。当前,雷达目标识别领域的很多方法都是基于该模型框架设计构建的。
3.2 知识引导的雷达目标智能识别
(1)特征融合式学习
关于知识引导的雷达目标智能识别,近期一些最新研究进展均采取了融合属性散射中心(attributed scattering centers,ASC)模型与深度学习的思路。ZHANG等[24]提出一种基于散射中心特征与深度CNN特征的特征融合学习框架,将属性散射中心参数化表示通过词向量转化成特征形式,与CNN的特征图进行融合学习,在MSTAR数据集的标准、扩展操作条件下都取得了较好的识别性能。LI等[30]通过将ASC模型转化为几个物理意义明确的部件特征图表示与CNN全局特征进行融合,有效捕捉到目标局部电磁特性。思路类似地,FENG等[31]通过对ASC建模结果的部件进行卷积学习,并采用双向卷积循环神经网络进行处理,实现了ASC模型与深度特征的融合及目标识别。这些研究均利用ASC模型提供的散射中心分布与几何信息强化了网络模型对SAR目标的理解,对改善神经网络的可解释性亦很有帮助。
此外,郭倩等[23]提出基于散射信息与深度学习融合的SAR图像中飞机目标检测方法,通过对目标散射特征的分析与提取,进行图像散射信息的增强,进而利用神经网络强大的特征提取能力,结合目标与背景的上下文信息,实现飞机目标高精度检测。吕艺璇等[4]通过设计散射关联分类器对飞机目标的离散程度量化建模,引导网络学习更具有区分性的类间特征表示;并设计自适应特征细化模块,促使网络更加关注飞机关键部位,减少背景噪声干扰,实现了目标散射分布特性与网络的自动学习过程的有效融合。LIU等[32]提出将雷达图像的幅度和相位看作两种不同模态的信息,通过多模态流形特征学习与融合,提升了小样本条件下的目标识别性能,但未明确说明幅度和相位信息在识别过程中各自的作用效果。
(2)物理模型启发式学习
物理模型启发式学习将物理原理通过神经元嵌入深度模型,使之具备物理可解释性。LIU等[33]提出将ASC模型表示的领域知识应用于复数CNN第一层卷积核参数迁移学习,使得神经元初始化具有物理意义;与随机初始化神经元相比,该方法显著加快了网络优化过程,并使得复杂连接的深度网络具有一定的可解释性。类似地,CUI等[34]提出了可在CNN中自适应地学习极化合成孔径雷达的极化旋转角特征的极化旋转核设计。
(3)跨域迁移学习
领域适应和迁移学习是雷达目标识别的另一种常见研究思路。HUANG等[35]从选取何种网络和源数据、在哪个特征层进行迁移、如何进行有效的迁移三个方面较系统地讨论了SAR目标分类中的迁移问题。研究表明:源任务与目标任务越接近,迁移效果越好;网络的靠前层特征表现出更强的一般性,而靠后层特征则具有更强的特殊性;在迁移过程中加入域自适应学习,可有效拉近源域和目标域数据的距离,提升迁移性能。并在此基础上提出了多数据源传递式域自适应迁移模型。
2017年,MALMGREN-HANSEN 等[36]首次提出以仿真SAR数据作为迁移源,学习真实的SAR目标类型。文献[16]借助领域适应技术缩小在不同成像条件下仿真SAR目标的高层特征差异,以此保证预训练模型具备识别不同成像条件下SAR目标的能力。ZHANG等[37]在少次学习任务中将仿真SAR目标作为迁移源,结合与车辆的方位角、幅度和相位数据相关的SAR领域知识来支撑深度学习算法的训练。
总得来看,知识引导的雷达目标智能识别研究还处于初步探索阶段,研究人员针对不同任务需求,从特征融合式学习、物理模型启发式学习、跨域迁移学习等角度进行了研究,但还未形成一个完整的科学体系。目前,如何结合深度学习的特点与要求进行领域知识的再表达和嵌入,设计兼具强解释性和高性能的深度神经网络仍是其中的难点和重点。
将以深度学习为代表的人工智能技术应用于雷达目标识别,结合雷达目标自身特点发展适用于电磁信息的智能认知技术,已成为适应未来“快速、精确、高效”应用需求的重要发展方向。然而,相关研究目前仍处于起步阶段。综合前述分析,可参考如下几个方向继续研究。
(1)数据层面
雷达目标识别数据可获得的训练样本量远小于其他领域,某些目标样本获取成本太高,甚至无法获得。需要进一步发展复杂环境与目标电磁特性高精度数字化生成技术,除幅度信息外,从多个维度完善构建信息更为丰富的雷达目标特性数据集(如含相位信息的复数值数据集、一维/二维/三维雷达目标成像检测识别数据集、雷达目标回波数据集、标注物理散射特性的雷达目标分类/分割数据集等),为本领域继续发展更深层次结合雷达目标物理特性的人工智能方法提供数据支持。
(2)算法与理论方法层面
针对雷达目标数据小样本、网络模型泛化能力弱、缺乏可解释性等问题,需要大力发展以无监督学习、自学习为主的物理引导神经网络。充分利用已知的物理模型或领域知识以及大量无标注的雷达目标数据,在模型设计中加入物理规律,引导模型自动挖掘学习泛化能力强且具备物理感知能力的特征表示。结合XAI学科领域的相关理论和技术,以及少样本学习、元学习、跨域迁移学习等优化方法,逐步构建形成雷达目标解译特有的小样本、可解释神经网络体系。
(3)性能评估验证与软硬一体设计层面
因缺乏科学理论支撑,尚未建立信息论测度来确定智能目标识别系统的性能边界,特别是军用领域的智能目标识别缺少对试验测试领域的研究。加之,设备端上部署对识别模型的轻量化与数据处理时延的要求极为严苛。需要研究建立雷达目标智能识别在军用领域的性能评估基础框架,设计轻量化、高效的识别模型。
猜你喜欢雷达特性领域谷稗的生物学特性和栽培技术现代畜牧科技(2021年4期)2021-07-21色彩特性流行色(2020年9期)2020-07-16领域·对峙青年生活(2019年23期)2019-09-10DLD-100C型雷达测试方法和应用电子制作(2019年15期)2019-08-27雷达小学生学习指导(低年级)(2018年12期)2018-12-29进一步凸显定制安装特性的优势 Integra DRX-5.2家庭影院技术(2018年9期)2018-11-02Quick Charge 4：什么是新的？CHIP新电脑(2017年6期)2017-06-19基于空时二维随机辐射场的弹载雷达前视成像火控雷达技术(2016年3期)2016-02-06现代“千里眼”——雷达百科探秘·航空航天(2015年4期)2015-11-07新常态下推动多层次多领域依法治理初探中共南宁市委党校学报(2015年4期)2015-02-28