當(dāng)前，合成孔徑雷達(dá)（SAR）憑借其全天時、全天候、高分辨率成像的特點(diǎn)，已經(jīng)被廣泛應(yīng)用于地球科學(xué)、全球變化研究、環(huán)境和地球系統(tǒng)監(jiān)測、海洋資源利用、行星探測、戰(zhàn)場感知偵察等領(lǐng)域，具有很高的民用價值和軍用價值。但遙感大數(shù)據(jù)時代下的SAR圖像解譯是一個極大的科學(xué)應(yīng)用挑戰(zhàn)。發(fā)展先進(jìn)的SAR智能信息獲取方法顯得十分迫切。基于此，復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室徐豐等人將深度學(xué)習(xí)運(yùn)用在SAR目標(biāo)識別與地物分類中，取得了一系列顯著成效。

深度學(xué)習(xí)算法變革了計(jì)算機(jī)視覺領(lǐng)域，而深度卷積網(wǎng)絡(luò)（CNN）作為計(jì)算機(jī)視覺領(lǐng)域中最常采用的算法，是一種特殊結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)。其前幾層由卷積層（convolution layer）與池化層（pooling layer）交替構(gòu)成，后面若干層是全連接層。其工作原理是由卷積層學(xué)習(xí)不同的特征，由池化層將空域形狀匯聚到高維特征空間，多層交替的卷積+池化可以學(xué)出層次化的特征表征。最后的全連接層的作用則是在高維特征空間學(xué)習(xí)一個分類器。與傳統(tǒng)依據(jù)統(tǒng)計(jì)或者物理特性進(jìn)行手動設(shè)計(jì)的算法不同，CNN憑借自動學(xué)習(xí)數(shù)據(jù)分層特征已經(jīng)將其取代，并取得了一系列突破。在2012年ImageNet大規(guī)模視覺挑戰(zhàn)賽（ILSVRC），Krizhevsky等人采用深度卷積網(wǎng)絡(luò)取得了15.3%的錯誤率，遠(yuǎn)遠(yuǎn)超過以往最好的水平。在2014年，Szegedy等人提出了一個包含22層的GoogleNet，將前五項(xiàng)錯誤率降至6.67%。在2015年，He等人提出152層的殘差網(wǎng)絡(luò)（ResNet）并取得了3.57%的整體錯誤率。2016年，中國公安三所團(tuán)隊(duì)在ILSVRC中取得第一名成績，錯誤率已降至3%以下。

CNN在業(yè)界所取得的巨大成功得益于算法的改進(jìn)、海量數(shù)據(jù)的獲得、圖形處理單元(GPU)等高性能計(jì)算資源的普及幾方面。其中算法的改進(jìn)是深度神經(jīng)網(wǎng)絡(luò)出現(xiàn)飛躍式發(fā)展的關(guān)鍵因素。改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)層與層之間采用全連接形式。這一獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地從海量數(shù)據(jù)中學(xué)到層次化組合的特征，對視覺信息進(jìn)行高效地表征。另一個重要改進(jìn)就是采用ReLU激活函數(shù)。改進(jìn)的激活函數(shù)ReLU的梯度在右側(cè)恒等于1，其梯度在累乘后保持穩(wěn)定，這是深度網(wǎng)絡(luò)能夠有效學(xué)習(xí)的重要原因。對于分類應(yīng)用，還采用了改進(jìn)的目標(biāo)函數(shù)，即首先在輸出層采用Softmax結(jié)構(gòu)，使得最終輸出為歸一化的概率。其次通過輸出概率與標(biāo)簽概率的交叉熵作為目標(biāo)函數(shù)進(jìn)行學(xué)習(xí)。這一組合有效避免了梯度回傳時的非線性失真。

由于SAR圖像數(shù)據(jù)比較少、對觀測條件敏感，直接用SAR數(shù)據(jù)來訓(xùn)練CNN很很容易出現(xiàn)過擬合（Overfitting）的問題。值得注意的是，CNN中絕大部分的可訓(xùn)練參數(shù)都包含在全連接層。一些實(shí)驗(yàn)結(jié)果表明，網(wǎng)絡(luò)的層數(shù)對于CNN的性能具有最重要的影響。因此，他們通過用卷積層取代全連接層，而不是大量地減少網(wǎng)絡(luò)的層數(shù)，來減少需要訓(xùn)練的參數(shù)。這在一定程度上也大大減小了過擬合。

徐豐團(tuán)隊(duì)在國際上首先將改進(jìn)CNN應(yīng)用到SAR目標(biāo)識別，在標(biāo)準(zhǔn)MSTAR數(shù)據(jù)集上對10類目標(biāo)取得了平均99%的識別準(zhǔn)確率。該實(shí)驗(yàn)數(shù)據(jù)是由Sandia國家實(shí)驗(yàn)室（SNL）的SAR傳感器采集的。數(shù)據(jù)的采集是由美國國防部先進(jìn)研究項(xiàng)目局（DARPA）和空軍研究實(shí)驗(yàn)室（AFRL）共同資助的，作為運(yùn)動和靜止目標(biāo)獲取與識別（MSTAR）項(xiàng)目的一部分。該項(xiàng)目采集了幾十萬張包含地面軍事目標(biāo)的SAR圖像，其中包括不同的目標(biāo)類型、方位角、俯仰角、炮筒轉(zhuǎn)向、外型配置變化和型號變種的目標(biāo)SAR圖像。此外，在極化SAR地物分類中，他們?yōu)榱死脴O化SAR數(shù)據(jù)的相位信息將實(shí)數(shù)CNN推廣至復(fù)數(shù)域，稱為復(fù)數(shù)卷積網(wǎng)絡(luò)（CV-CNN）。將CV-CNN在Flevoland數(shù)據(jù)集上進(jìn)行分類實(shí)驗(yàn)，結(jié)果表明，在同等條件下CV-CNN相比傳統(tǒng)實(shí)數(shù)CNN有更高的分類正確率。這些成果已在IEEE地球科學(xué)與遙感匯刊中發(fā)表。

最近，針對神經(jīng)網(wǎng)絡(luò)無法對未經(jīng)過訓(xùn)練的目標(biāo)進(jìn)行分類識別的局限性，徐豐團(tuán)隊(duì)又采用深度生成神經(jīng)網(wǎng)絡(luò)對SAR數(shù)據(jù)集進(jìn)行自動表征建模，通過表征學(xué)習(xí)自動建立SAR目標(biāo)本征特征空間，該本征特征空間由已知目標(biāo)支撐。然后通過訓(xùn)練一個逆向CNN將SAR圖像映射到連續(xù)的本征特征空間中，由此建立一個準(zhǔn)無監(jiān)督SAR目標(biāo)識別器，任意一個新目標(biāo)SAR圖像輸入到該識別器中即可以得到該新目標(biāo)在本征特征空間中的分布，并由此解讀目標(biāo)的物理特征。該成果已接收在2017年國際地球科學(xué)與遙感年會中匯報。可以看出深度學(xué)習(xí)技術(shù)對雷達(dá)遙感的重要意義。雖然如此，研究人員仍在不懈努力，爭取更大的進(jìn)步。

研究團(tuán)隊(duì)簡介

徐豐：復(fù)旦大學(xué)博士學(xué)位，教授、復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室副主任、電磁大數(shù)據(jù)與遙感智能研究所常務(wù)副所長。研究方向：SAR圖像解譯、電磁散射建模、人工智能。

王海鵬：復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室副教授。研究方向?yàn)槔走_(dá)系統(tǒng)設(shè)計(jì)與算法開發(fā)、遙感圖像處理與信息獲取、機(jī)器學(xué)習(xí)與目標(biāo)識別、智能圖像處理等。

金亞秋：美國麻省理工學(xué)院博士學(xué)位，教授、復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室主任、中科院院士。研究方向：復(fù)雜自然介質(zhì)的電磁輻射、散射與傳輸。

（編輯：小智）