基于领域特征图融合的知识辅助网络用于少样本SAR识别

《Neurocomputing》：Knowledge-assisted network via domain features graph fusion for few-shot SAR recognition

　　曲克凡|刘焕宇|郭海鹏|文天一|李俊宝

摘要：在合成孔径雷达（SAR）识别领域，深度学习已得到广泛研究，但在样本不足的情况下，识别模型仍面临诸多挑战。对于少样本学习，以往基于领域特征的方法通常是针对特定场景设计的，其对独立领域特征的依赖使得它们难以应对复杂场景的需求。为解决这些问题，本文提出了一种新的知识辅助网络（KAnet），用于少样本SAR识别。该网络挖掘领域特征，并利用图卷积生成辅助知识，从而提升基础模型的区分能力。针对少样本场景中信息不足的问题，我们基于SAR图像的特点提出了通用领域知识挖掘（DKM）模块。该模块从空间、统计和时间频率域提取具有区分度的多维特征，然后通过自编码器将这些特征融合为统一的、可扩展的特征表示，从而减少对单一数据输入的依赖。为充分探索多维特征之间的内在关系，本文引入了分层图卷积编码器（HGCE），以自适应地建模特征节点之间的语义关系。HGCE通过聚合邻域信息，融合互补特征并输出全局辅助知识。这种辅助知识与基础识别模型一起参与分类决策，从而在物理先验的引导下提升模型的识别性能。在三个公共数据集（SAR-ACD、FUSAR-Ship和MSTAR）上的大量实验证明了所提出的KAnet方法的有效性。

引言：合成孔径雷达（SAR）通过主动发射和接收电磁波信号来实现地面目标成像，且不受天气或自然因素的影响。这一优势使其在多个领域得到广泛应用[1]、[2]、[3]、[4]。随着SAR技术的进步，高分辨率SAR图像能够捕捉到地面目标更丰富的结构信息和散射信息。因此，实现高精度的SAR目标识别已成为一项至关重要且紧迫的任务。近年来，随着深度学习算法的发展[5]，先进的架构也被引入到SAR领域[6]、[7]、[8]、[9]。然而，由于目标特征的区分度较低以及SAR图像中存在严重的噪声干扰，SAR目标分类仍然面临诸多挑战。尤其是在样本不足的情况下，上述问题会进一步削弱深度学习算法的识别能力，导致过拟合现象。对于少样本学习，当前的方法包括样本生成、迁移学习和元学习等[10]、[11]、[12]、[13]。此外，另一种直观的方法是引入手工设计的特征来辅助模型识别[14]、[15]、[16]，从而为数据驱动的深度学习模型提供物理先验。

根据SAR成像原理，目标只有在特定结构下才会产生强烈的雷达回波信号，而这些散射响应共同构成了SAR目标的各个组成部分。因此，以往的方法通常从SAR图像中提取散点图，以构建目标的空间结构信息[17]、[18]、[19]、[20]。然而，在复杂场景中，散射结构容易受到旁瓣信号或杂波的干扰。此外，SAR目标随雷达观测角度的变化而显著不同，这可能导致散射特征提取出现误判[18]。其他方法，如几何特征和散射统计特性[21]、[22]、[23]，则是为特定数据集设计的，难以移植到其他场景。在最近的相关工作中，张等人[24]提出了一种特征注入方法，通过将多种手工设计的专家特征纳入模型，提高了SAR船舶识别的准确性，并总结了相关方法。不过，他们方法中的手工特征是专门为SAR船舶识别任务设计的，还包括目标图像的预处理步骤，因此很难移植到其他目标识别任务中。此外，该方法直接将手工特征引入全连接层，使编码后的特征能够直接参与模型的决策过程。虽然这种方法效率很高，但未能充分探索多维特征之间的语义关系，如它们的互补性。因此，它对识别模型的提升十分有限。

基于以上分析，当前的SAR识别工作存在以下问题。首先，以往的方法依赖于为特定场景或目标识别任务设计的特征提取器。但由于不同场景下雷达成像结果和目标类型的差异较大，同一方法很难有效地推广到不同的识别任务类别。其次，单一的手工特征很难推广到多种复杂的识别场景，尤其是当不同的雷达参数和目标姿态导致同一类别内的内部变异较大时。最后，那些仅依赖单一特征提取方法或简单组合多种特征的方法，未能深入探索与图像相关的知识，也无法深入研究领域特定特征之间的语义关系或从中提取有用信息。因此，这些特征对识别模型的提升也非常有限。

为解决这些问题，本文提出了一种新的知识辅助网络（KAnet），用于少样本SAR识别，如图1所示，该网络提升了判别特征空间中的类间可分性。具体而言，为解决少样本条件下SAR图像中信息不足和特征离散的问题，领域知识挖掘（DKM）模块提取多维领域知识，并将不同的特征集嵌入到统一的表示空间中。这种领域知识来源于从目标本身提取的特征表示，而这种特征提取方法是基于SAR图像的特点设计的，能够从统计、空间和时间频率域表征目标，从而使该方法适用于不同的应用场景。其次，为充分探索领域特征之间的内在关系，该模型还加入了分层图卷积编码器（HGCE）。利用HGCE聚合邻域节点信息的能力，它可以构建特征向量之间的空间相关性，从而从中生成全局辅助知识信息。这种辅助知识代表了多维领域特征在信息上的互补和有效整合，相比手工设计的特征，它具有更高的判别能力。最后，由辅助知识以及基础识别模型输出的骨干特征组成的双分支结构，通过串联方式输入到全连接层，从而提升了模型的整体识别性能。

我们的主要贡献可总结如下：1）我们提出了一种用于少样本SAR识别的新型知识辅助网络。该方法利用SAR图像的特点构建先验知识，挖掘多维领域特征，以在少样本条件下帮助基础模型提升类间区分能力，从而使模型能够有效适应不同场景下的目标识别任务。2）我们提出了一种通用的DKM模块，该模块从空间、统计和时间频率域构建特征集，为SAR目标提供多维表示。DKM模块还利用自编码器将这些不同的特征映射为统一且可扩展的表示形式，从而为后续处理提供结构化的特征。3）我们提出了一种基于图的HGCE，用于融合不同的领域特征并输出辅助知识。借助HGCE的邻域聚合能力，它可以明确建模特征节点之间的空间关系，从而融合来自不同多维特征的互补信息，并输出编码后的全局辅助知识。4）在三个公共数据集MSTAR、FUSAR-Ship和SAR-ACD上进行的大量实验验证了所提出的KA方法的优越性。实验结果显示，该方法在各种设置下都能取得最佳性能。

章节节选：少样本SAR目标识别：早期的SAR目标识别采用了基于机器学习的方法[25]、[26]、[27]，以及模板匹配和模型[28]、[29]、[30]。这些方法依赖于手工设计的特征和可解释的理论，如几何特征和散射统计特性[31]、[32]，来实现目标分类。尽管这些方法在参数设计方面依赖于专家经验，且难以推广到复杂的任务场景，但积累的设计经验……

整体架构：本节将详细介绍所提出的KAnet。如图2所示，该模型采用双路径架构，由识别骨干网络和知识辅助分支组成，主要包括三个部分：识别骨干网络、多维DKM模块以及基于图的HGCE模块。具体而言，输入图像同时被送入两条并行路径：识别骨干网络和多维DKM模块。

数据集：本文采用了李等人[55]设定的数据集，并在三个SAR图像分类数据集上进行了大量实验。其目的是通过引入辅助知识，评估所提出的KAnet在少样本条件下的性能提升效果。实验所使用的三个数据集分别为MSTAR[56]、FUSAR-Ship[57]和SAR-ACD[18]。这些数据集涵盖了陆地车辆和海上船舶等多种目标类型，详细信息见表2。

结论：本文提出了一种用于在多种场景下对高分辨率SAR图像进行少样本识别的知识辅助网络。与现有方法不同，我们的方法从多维领域特征出发，构建目标的全面表示，并利用先验辅助知识提升少样本识别能力。该方法首先利用多维DKM模块从图像中提取和编码特征信息，从而实现特征表示。

CRediT作者贡献声明：曲克凡：撰写——初稿、可视化、验证、方法论、研究、形式分析；刘焕宇：撰写——审阅与编辑、监督、项目管理、方法论、资金获取、概念设计；郭海鹏：撰写——初稿、验证、形式分析、数据整理、概念设计；文天一：验证、资源协调、研究、数据整理；李俊宝：监督、资源协调、项目管理、资金获取。

利益冲突声明：作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢：我们的工作得到了中国国家自然科学基金的支持（项目编号62271166和62401177）。曲克凡于2021年在中国长春的吉林大学获得学士学位，目前在中国哈尔滨的哈尔滨工业大学攻读博士学位。他的研究兴趣包括计算机视觉、模型压缩以及遥感图像理解。