合成孔径雷达（Synthetic Aperture Radar, SAR）是一种能够全天时、全天候工作的二维高分辨率成像雷达，具有穿透云雾对地观测的能力，是国家安全战略高技术之一。

　　近日，复旦大学电磁波信息科学教育部重点实验室徐丰教授研究深度卷积算法在SAR图像目标识别与地物分类中的应用，取得突破进展，他从SAR图像中自动学习特征，利用学习到的特征进行目标检测与目标分类，将深度卷积网络应用于SAR目标分类基准数据集MSTAR上，取得了99%的识别率，将该算法应用于全极化SAR图像地物分类，也取得了98%的分类精度。

　　率先将深度学习应用于雷达图像解译

　　徐丰说， SAR非常适用于目标的侦察、监视和识别，同时也已经被广泛应用于地球科学、气候变化研究、环境和地球系统监测、海洋资源利用、行星探测、战场感知侦察等领域，具有极高的民用价值和军用价值。由于散射成像机理以及相干斑噪声的存在，SAR图像的解译比视觉图像困难得多。近年来，SAR分辨率越来越高，传感器模式增多，工作波段和极化方式等越来越多元化，使得SAR图像中信息爆炸性增长，人工判读的工作量超出了人工迅速做出判断的极限，人工判读带来的主观和理解上的错误就难以避免。因此，SAR图像数据自动分析解译技术的研究显得尤为重要。

　　近年来，深度学习在人工智能的各个领域取得了很好的应用，比如，图像分类，目标检测，自然语言处理，机器人。常用的深度学习技术包括深度信念网络（DBN），卷积神经网络（CNN），回归神经网络（RNN），等等。其中，CNN是最常采用的针对图像数据的算法。在计算机视觉领域中，传统的图像分类问题分为特征提取与特征分类两个阶段。特征提取依据统计或者物理特性手动的设计特征从而对不同目标形成较好的表达。但是，这种模式将被自动学习数据分层特征的CNN取代。较之传统的方法，CNN取得了更好的结果，在图像分类领域已经取得了一系列突破。在2012年ImageNet大规模视觉挑战赛（ILSVRC），Krizhevsky等人采用深度卷积网络取得了15.3%的错误率，远远超过以往最好的水平。在2014年，Szegedy等人提出了一个包含22层的GoogleNet，将前五项错误率降至6.67%。在2015年，He等人提出152层的残差网络（ResNet）并取得了3.57%的整体错误率，这已经超过了人类平均水平5%的错误率。

　　伴随CNN在计算机视觉领域的巨大成功，人们不禁想能否将这种强大的技术应用于SAR图像解译，如地物分类、参数反演以及目标检测识别。徐丰团队从2013年开始率先进行了深度学习应用于SAR图像解译的研究。

　　创新应用对于10类目标取得99%识别率

　　伴随CNN在计算机视觉领域取得了较好结果，徐丰旨在将CNN算法用于SAR图像解译。他研究了深度卷积神经网络在SAR图像目标识别与全极化SAR地物分类中的应用。将CNN应用MSTAR数据，对于10类目标取得了平均99.1%的识别准确率。在全极化SAR对地物分类中，他首先将实数CNN应用于AirSAR数据农作物分类，取得了90%以上的准确率。为了进一步利用极化SAR数据的相位信息，将实数CNN推广至复数域，提出了复数深度卷积网络（CV-CNN）。CV-CNN的神经元信号和连接权值均为复数，其前馈传播和后向传播均定义在复数域。将CV-CNN在数据集上进行分类实验，结果表明，在同等条件下CV-CNN相比传统CNN取得更高的分类正确率，农作物分类准确率达到了98%。这几项成果将发表在国际电气与电子工程师协会地球科学与遥感汇刊上。

　　在目标分类研究中，为了解决训练样本少导致过拟合和泛化能力弱的问题，徐丰通过用卷积层取代全连接层，而不是大量地减少网络的层数，来减少需要训练的参数。这一改变大大减小了过拟合，由于网络深度不变从而保证了其表征能力不受太大影响。徐丰采用的实验数据是由Sandia国家实验室（SNL）的SAR传感器采集的。数据的采集是由美国国防部先进研究项目局（DARPA）和空军研究实验室（AFRL）共同资助的，作为运动和静止目标获取与识别（MSTAR）项目的一部分。该项目采集了几十万张包含地面军事目标的SAR图像，其中包括不同的目标类型、方位角、俯仰角、炮筒转向、外型配置变化和型号变种。在标准操作条件下，徐丰测试算法对于10类目标分类的结果。

　　针对SAR图像中相位信息，徐丰提出的复数卷积神经网络（CV-CNN），不仅将复数数据作为输入，同时对各层传递了相位信息。使用复数数据构建SAR图像的分层特征。CV-CNN将实数卷积网络的网络结构以及参数延伸至复数域，意味着所有的数学操作也扩展至复数分析，文章给出了详细的后向传播推导。实验表明CV-CNN的性能远高于传统的实数神经网络。

　　最近，针对神经网络无法对未经过训练的目标进行分类识别的局限性，徐丰又采用深度生成神经网络对SAR数据集进行自动表征建模，通过表征学习自动建立SAR目标本征特征空间，该本征特征空间由已知目标支撑。此外，通过训练一个逆向CNN将SAR图像映射到本征特征空间中，由此建立一个准无监督SAR目标识别器，任意一个新目标SAR图像输入到该识别器中即可以得到该新目标在本征特征空间中的分布，并由此解读目标的物理特征。该成果已接收在2017年国际地球科学与遥感年会。（王霞）