基于无监督域适应的仿真辅助SAR目标分类方法及模型可解释性分析

作     者：吕小玲 仇晓兰 俞文明 徐丰 LYU Xiaoling;QIU Xiaolan;YU Wenming;XU Feng

作者机构：中国科学院空天信息创新研究院北京100094 中国科学院空间信息处理与应用系统技术重点实验室北京100190 中国科学院大学电子电气与通信工程学院北京100049 东南大学毫米波国家重点实验室南京210096 复旦大学电磁波信息科学教育部重点实验室上海200433 

出 版 物：《雷达学报（中英文）》 (Journal of Radars)

年 卷 期：2022年第11卷第1期

页      面：168-182页

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

基　　金：国家自然科学基金(61991421) 

主　　题：合成孔径雷达(SAR) 目标分类 卷积神经网络(CNN) 无监督域适应 可解释性 

摘      要：卷积神经网络(CNN)在光学图像分类领域中得到广泛应用,然而,合成孔径雷达(SAR)图像样本标注难度大、成本高,难以获取满足CNN训练所需的样本数量。随着SAR仿真技术的发展,生成大量带标签的仿真SAR图像并不困难。然而仿真SAR图像样本与真实样本间难免存在差异,往往难以直接支撑实际样本的分类任务。为此,该文提出了一种基于无监督域适应的仿真辅助SAR目标分类方法,集成了多核最大均值差异(MKMMD)和域对抗训练,以解决由仿真图像分类任务迁移到真实图像分类任务中的域偏移问题。进一步使用逐层相关性传播(LRP)和对比逐层相关性传播(CLRP)两种可解释性方法,对域适应前后的模型进行了解释分析。实验结果表明,该文方法通过修正模型对输入数据的关注区域,找到了域不变的分类特征,显著提升了模型在真实SAR数据上的分类准确率。