基于深度 CNN 的 SAR 目标识别中迁移什么、从哪里迁移及如何迁移
信号处理
2019-11-26 v1 计算机视觉与模式识别
摘要
深度卷积神经网络（DCNNs）近来在遥感中备受关注。与自然图像中大规模标注数据集相比，遥感中标注数据的缺乏成为训练深度网络的障碍，尤其在 SAR 图像解译中。迁移学习通过从源任务向目标任务借用知识，为解决该问题提供了有效途径。在光学遥感应用中，一种流行机制是在使用大规模自然图像数据集（如 ImageNet）预训练的现有模型上进行微调。然而，由于 SAR 与光学图像间的显著差异，该方案在 SAR 应用中未取得令人满意的性能。本文中，我们尝试详细讨论此前鲜有研究的三个问题：（1）何种网络与源任务更适合迁移至 SAR 目标，（2）在哪一层的迁移特征对 SAR 目标更具通用性，以及（3）如何有效迁移至 SAR 目标识别。基于分析，本文提出了一种通过多源数据与域自适应的传递式迁移方法，以减小源数据与 SAR 目标间的差异。在 OpenSARShip 上进行了若干实验。结果表明，自然图像中关于迁移学习的通用结论不能完全应用于 SAR 目标，且对 SAR 目标识别中迁移什么与从哪里迁移的分析有助于决定如何更有效地迁移。
引用
@article{arxiv.1906.01379,
title = {What, Where and How to Transfer in SAR Target Recognition Based on Deep CNNs},
author = {Zhongling Huang and Zongxu Pan and Bin Lei},
journal= {arXiv preprint arXiv:1906.01379},
year = {2019}
}