嵌入注意力机制的深度可分离卷积ＳＡＲ 目标识别

摘 要：深度可分离卷积（Ｄｅｐｔｈｗｉｓｅ Ｓｅｐａｒａｂｌｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＤＳＣ） 的应用使得深度学习的网络模型轻量化。在此基础上，提出了嵌入注意力机制的ＤＳＣ 合成孔径雷达（Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ，ＳＡＲ） 目标识别方法。通过将ＤＳＣ 与注意力机制结合，提高网络对目标重要特征的学习能力；将多个ＤＳＣ 进行叠加和并联，设计多尺度网络模块，增强不同深度网络的特征提取能力；通过残差连接缓解深层网络的梯度弥散和梯度爆炸问题。使用公开数据集实验表明，所提方法在网络模型参数量较小的情况下，获得９９． ０％ 的平均识别率，具有较强的识别优势。

关键词：合成孔径雷达；目标识别；深度可分离卷积；注意力机制

中图分类号：ＴＮ９５７ 文献标志码：Ａ 开放科学（资源服务）标识码（ＯＳＩＤ）：

文章编号：１００３－３１０６（２０２４）０５－１０８３－０８

０ 引言

合成孔径雷达（Ｓｙｎｔｈｅｔｉｃ Ａｐｅｒｔｕｒｅ Ｒａｄａｒ，ＳＡＲ）能够发射微波信号，通过相干机制完成既定成像任务，其不受雨、雪、雾、霾等复杂天气影响，具有全天时、全天候的成像优势，在军事、农业、环境、气候等领域得到广泛应用，是一种重要的探测手段［１－３］；其中ＳＡＲ 图像自动目标识别（Ａｕｔｏｍａｔｉｃ Ｔａｒｇｅｔ Ｒｅｃｏｇ-ｎｉｔｉｏｎ，ＡＴＲ）作为关键技术之一，自２０ 世纪以来持续得到重点关注和研究［４］。

ＡＴＲ 主要目的是确定目标类别，最初主要采用“特征提取＋分类器设计”的模型识别框架。特征提取包括如散射点分布特征、投影变换特征和纹理特征等［５－６］；分类器设计包括支持向量机、稀疏表示分类等［７－８］。随着深度学习的迅猛发展，鉴于其强大的自动特征提取与分类性能，显著提升了ＡＴＲ 技术的性能［９－１０］，其中卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）更是在ＡＴＲ 领域成为研究热点。文献［１１］使用卷积层代替全连接层，并扩充数据集获得了９９％ 的识别率。文献［１２］利用数据增强技术扩增数据集，通过零相位成分分析预先提出目标特征，将该特征集再送入卷积网络中，整体识别率达到９８． ４７％ 。从上述文献可以看出，由于深度学习模型是依靠数据驱动，其性能好坏较为依赖数据规模，因此往往会在原有数据集基础上进行扩增，从而保证网络能够充分得到学习训练。有文献在不扩充数据样本前提下，通过改进网络模型结构或迁移学习等方法，依然能够取得较高的识别率［１３－１４］。文献［１３］使用改进的自编码器网络初始化网络参数，再将参数移植到全ＣＮＮ 中进行训练，在不扩充训练样本情况下，平均准确率为９８． １４％ 。文献［１４］针对ＳＡＲ 图像特点设计网络结构，采用Ｌ２范数作为代价函数以及使用Ｄｒｏｐｏｕｔ 提高泛化性，在原有数据集样本中实现了９８． １０％ 的识别率。

随着ＣＮＮ 向更深、更宽发展，同时带来的梯度弥散和梯度爆炸问题阻碍了模型训练效果，２０１６ 年Ｈｅ 等［１５］提出的深度残差网络（Ｄｅｅｐ Ｒｅｓｉｄｕａｌ Ｎｅｔ-ｗｏｒｋｓ，ＲｅｓＮｅｔｓ）有效地缓解了该问题，ＳＡＲ 图像识别领域借鉴该模型也提出了许多优秀的识别方法［１６－１８］。然而随着卷积层数量的进一步增加，参数量、计算量也随之增加，使得模型学习训练效率大大降低，对运行硬件的要求也大幅提高。因此轻量化网络结构被设计出来，其中深度可分离卷积（ＤｅｐｔｈｗｉｓｅＳｅｐａｒａｂｌｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＤＳＣ）［１９］是较为流行的一种轻量化网络，其本质是将冗余信息进行更少的稀疏化表达［２０］，很大程度上提升了模型的推理速度。

综上，为了实现网络轻量化以及增加网络深度的同时保持良好的特征提取能力，提出了嵌入注意力机制的ＤＳＣ 识别方法。首先将不同数量的ＤＳＣ进行叠加产生多个支路，形成多尺度效应，用来增强浅层网络的特征提取能力；然后在每条支路上加入注意力机制模块，提高网络对目标重要特征的学习能力；最后通过残差连接各个支路和输入组成新的网络模块。利用该网络模块设计了２０ 层网络模型，实验使用Ｍｏｖｉｎｇ ａｎｄ Ｓｔａｔｉｏｎａｒｙ Ｔａｒｇｅｔ Ａｃｑｕｉｓｉｔｉｏｎａｎｄ Ｒｅｃｏｇｎｉｔｉｏｎ（ＭＳＴＡＲ）数据集，在不增强数据情况下，对１０ 类目标型号识别率达到９９． ０％ ，相比于近年识别方法有着较强的优势。

１ 注意力机制

注意力机制最早应用于图像领域，通常解释为模仿人类在观察整体环境时，专注于自己感兴趣的事物而忽视其他无关事物的特征，因此在网络中引入注意力机制，理论上能够增强识别目标特征的权重，即对图像中关键信息提高关注度，滤除无关或不重要的信息，从而提高网络的学习效率。

在众多注意力机制模型中，Ｓｕｑｅｅｚｅ-ａｎｄ-Ｅｘｃｉｔａｔｉｏｎ Ｍｏｄｕｌｅ（ＳＥ）注意力机制［２１］自２０１７ 年被提出后经常运用在图像分类、检测、分割等领域。ＳＥ 模块由压缩部分（Ｓｑｕｅｅｚｅ ）和激励部分（Ｅｘｃｉｔａｔｉｏｎ）组成，如图１ 所示，其目的是通过一个权重矩阵，从通道域角度赋予图像不同位置不同的权重，得到更重要的特征信息。压缩部分将特征图通过全局平均池化的方式，生成一个１ ×１ ×Ｃ 的向量，如式（１）所示，使每个通道都用一个数值表示，实现对特征图Ｕ 全局低维压缩，每个通道的值相当于获得之前一个Ｈ×Ｗ 全局感受野。

激励部分则通过２ 层全连接层完成，如式（２）所示。通过全连接层的Ｗ１ 、Ｗ２ 对向量ｚ 进行处理，得到通道权重值ｓ，其中不同数值表示对应通道的权重信息，赋予通道不同权重。

ｓ ＝ Ｆｅｘ（ｚ，Ｗ） ＝ σ（Ｗ２ δ（Ｗ１ ｚ））， （２）

式中：σ 表示Ｓｉｇｍｏｄ 激活函数，δ 表示ＲｅＬＵ 激活函数。

２ 层全连接层之间存在一个超参数ｒ，向量ｚ 经过第一层全连接层后维度由１×１×Ｃ 变为１×１×Ｃ ／ ｒ，经过第二次全连接层后维度变回１×１×Ｃ，一般默认ｒ ＝ １６。

将权重向量ｓ 对特征图Ｕ 进行权重赋值，即将向量ｓ 与特征图Ｕ 对应通道相乘，得到压缩激励后的特征图Ｘ ～ ：

Ｘ～ ＝ Ｆｓｃａｌｅ（ｕｃ ，ｓｃ ） ＝ ｓｃ ｕｃ 。（３）

２ ＤＳＣ

ＤＳＣ 的主要思路是将普通卷积操作分解为２ 个过程：深度卷积（Ｄｅｐｔｈｗｉｓｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＤＷ）和点卷积（Ｐｏｉｎｔｗｉｓｅ Ｃｏｎｖｏｌｕｔｉｏｎ，ＰＷ），结构如图２ 所示。其基本原理是首先使用ＤＷ 对每个输入通道（输入特征图的深度）执行单个滤波器卷积；然后使用ＰＷ（１×１ 卷积）用来创建逐ＤＷ 层的线性组合。假设输入的特征图通道为Ｎ，ＤＷ 对Ｎ 个通道的特征图分别使用一个卷积核，且卷积核数量和特征图通道数一致，所以经过ＤＷ 得到Ｎ 个通道的特征图；ＰＷ实际是１×１ 卷积，使用Ｍ 个１×１ 卷积核对ＤＷ 处理后的特征图进行卷积，最终得到Ｍ 个通道的特征图。ＤＳＣ 对２ 层卷积层都使用了批量正则化（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ ，ＢＮ）和线性整流函数（ＲｅＬＵ）作为非线性激活函数。

应用ＤＳＣ 最主要的目的在于减少参数量，从整体上轻量化网络模型。以使用３×３ 卷积核为例，对于输入长、宽和通道数为Ｈ ×Ｗ ×Ｎ 的特征图，经过３×３ 卷积核的ＤＷ 以及Ｎ 个卷积核的ＰＷ，参数量为Ｈ×Ｗ×Ｃ×３×３＋Ｈ×Ｗ×Ｃ×Ｎ，而经过３×３ 卷积核的标准卷积运算，参数量为Ｈ×Ｗ×Ｃ×３ ×３ ×Ｎ，二者相比（如式（４）所示），参数量减少了近１ ／ ９，从而达到提高训练速度的目的。

３ 嵌入注意力机制的ＤＳＣ 识别框架

３． １ 嵌入注意力机制的深度可分离模块

本文提出的嵌入注意力机制的ＤＳＣ 网络，主要将ＤＳＣ 模块与ＳＥ 模块结合在一起，减少参数量的同时提高重要特征权重，剔除冗余特征，增强特征提取的有效性；加入残差连接，相当于对该模块加入一个恒等映射，当某一层网络对特征提取效果较差时，可通过该连接直接跳过进入下一次网络训练，因此添加的新网络层至少不会使效果比原来差，可以较为稳定地通过加深层数来提高模型的效果，同时避免出现梯度弥散的问题。为了增强模型对浅层网络的特征提取能力，实现多尺度特征提取的同时避免尺寸大的卷积核增加参数量，利用２ 层ＤＳＣ 的叠加代替５×５ 的卷积核，利用３ 层ＤＳＣ 的叠加代替７×７ 的卷积核，因此将只有１ 个ＤＳＣ 的模块结构称为Ｒｅｓ-ＳｅＤＳＣ，有２ 个不同尺度ＤＳＣ 的模块结构称为Ｒｅｓ-Ｓｅ２ＤＳＣ，有３ 个不同尺寸ＤＳＣ 的模块结构称为Ｒｅｓ-Ｓｅ３ＤＳＣ，如图３ 所示。

３． ２ 嵌入注意力机制的ＤＳＣ 识别框架

本文设计了２０ 层网络架构，如图４ 所示。使用３×３ 卷积核进行标准卷积运算，经过ＢＮ、ＲｅＬＵ 后，共使用１７ 个不同尺度的Ｒｅｓ-ＳｅＤＳＣ 模块，经过一层全局平均池化层和一层全连接层，输出识别类别，因此组成的识别模型称为Ｒｅｓ-ＳｅＸＤＳＣｎｅｔ。具体网络层参数如表１ 所示。

在特征图尺寸减小一半时，卷积的步长选择２，相当于一次下采样；在特征图尺寸不变时，卷积的步长选择１。随着特征图尺寸减小，Ｒｅｓ-ＳｅＸＤＳＣ 模型使用的尺度也随之减少，主要是因为在浅层网络中特征图像素还较高，大尺度可充分提取不同深度的特征信息，而在低像素下感受野减小，大尺度提取到的信息效果差，从而降低网络学习性能。同时，网络采用负对数似然（Ｎｅｇａｔｉｖｅ Ｌｏｇ-Ｌｉｋｅｌｉｈｏｏｄ，ＮＬＬ）损失函数以及Ａｄａｐｔｉｖｅ Ｍｏｍｅｎｔ Ｅｓｔｉｍａｔｉｏｎ（Ａｄａｍ）梯度下降方法共同优化调整网络训练，其中Ａｄａｍ 的主要优点在于在偏置校正后，每次迭代的学习率能够保持在确定的范围，使得参数变化比较平稳。

４ 实验结果及分析

４． １ 实验数据与设置

ＭＳＴＡＲ 数据集是当前对ＳＡＲ 图像识别算法测试和评价最为有效的公开数据集之一，其包含１０ 类军事车辆目标：ＢＭＰ-２、ＢＴＲ-７０、Ｔ-７２、Ｔ-６２、ＢＲＤＭ-２、ＢＴＲ-６０、ＺＳＵ-２３４、Ｄ７、ＺＩＬ-１３１、２Ｓ１，表２ 展示了来自１７°和１５°俯仰角每种类型样本数量，其中将１７°图像数据作为训练集，共２ ７４７ 个样本，１５°角度图像数据作为测试集，共２ ４２５ 个样本。在训练过程中，网络批处理块大小（Ｂａｔｃｈｓｉｚｅ）选取５６，初始学习率为０． ００１，迭代１００ 次，共进行１０ 次实验，取平均识别率。

４． ２ 算法特征提取效果

为展示嵌入注意力机制后对网络特征提取的有效性，进行网络特征可视化操作，为了增加对比，将注意力机制模块取出，剩下ＤＳＣ 的网络结构，称为Ｒｅｓ-ＸＤＳＣｎｅｔ，使用同一数据集训练至最佳。将图４中的ＳＡＲ 图像分别输入到２ 个网络中，为对比明显，选择Ｒｅｓ-ＳｅＸＤＳＣｎｅｔ 与Ｒｅｓ-ＸＤＳＣｎｅｔ 网络中ＳＴＡＧＥ０ ～ ＳＴＡＧＥ２ 三个阶段的像素较高的特征图进行对比，均取出前１２ 个通道的特征图，如图５ 所示。可以看出，在ＳＴＡＧＥ０ 中，由于都是同样的卷积运算，得到的各通道特征图基本上无差别；在ＳＴＡＧＥ１ 和ＳＴＡＧＥ２ 中，Ｒｅｓ-ＳｅＸＤＳＣｎｅｔ 网络的各个特征图都有待识别目标的表达，说明网络对于每个通道都进行了有效的学习，而Ｒｅｓ-ＸＤＳＣｎｅｔ 网络的各个特征图差异较为明显，有些特征图上几乎没有待识别目标的特征表达（例如图５（ｄ）从左至右、从上至下第１、３、４、５、８、１２ 个特征图）。由此可见，嵌入注意力机制模块对于数据的特征提取更有效。

４． ３ 算法性能对比与分析

为对比嵌入注意力机制对学习效率的增强作用，使用Ｒｅｓ-ＳｅＸＤＳＣｎｅｔ、Ｒｅｓ-Ｓｅ３ＤＳＣｎｅｔ、Ｒｅｓ-Ｓｅ２ＤＳＣｎｅｔ、Ｒｅｓ-ＳｅＤＳＣｎｅｔ、Ｒｅｓ-ＸＤＳＣｎｅｔ 以及ＤＳＣｎｅｔ进行试验比对， 其中Ｒｅｓ-Ｓｅ３ＤＳＣｎｅｔ、Ｒｅｓ-Ｓｅ２ＤＳＣｎｅｔ、Ｒｅｓ-ＳｅＤＳＣｎｅｔ 分别代表仅使用Ｒｅｓ-Ｓｅ３ＤＳＣ、Ｒｅｓ-Ｓｅ２ＤＳＣ 和Ｒｅｓ-ＳｅＤＳＣ 模块组成的网络，ＤＳＣｎｅｔ 代表仅使用ＤＳＣ 模块组成的网络。测试误差、识别率随着迭代次数的变化趋势如图６ 和图７ 所示。可以看出，本文方法收敛速度较快，仅经过２０ 次迭代后即获得较高的识别率。

表３ 展示了上述６ 类模型的参数量和平均识别率。可以看出，Ｒｅｓ-ＳｅＸＤＳＣｎｅｔ 由于注意力进机制以及多尺度的加持，识别率最高；相比于Ｒｅｓ-ＳｅＤＳ-Ｃｎｅｔ，多尺度应用能够很好地提取目标特征，从而强化不同目标之间的差异；相比于仅使用Ｒｅｓ-Ｓｅ３ＤＳＣ模块的网络，识别率平均高出０． ８％ ，说明在低像素情况下再使用多种尺度进行特征提取效果将变差；相比于Ｒｅｓ-ＸＤＳＣｎｅｔ，在ＳＡＲ 图像噪点较多的情况下，注意力机制能够使网络有效关注到目标特征，从而大大提高识别率，而且在加入注意力机制模块后参数量增加不多，说明该网络具有较强的优势。

为对比不同算法之间的差异以及分析其原因，表４ 展示了本文方法与文献［１２］（ＺＣＡ＋ＣＮＮ）、文献［１３］（ＦＣＮＮ＋ＩＣＡＥ）、文献［２２］（ＣＮＮ＋ＳＶＭ）、文献［２３］（ＣＮＮ ＋ＳＲＣ）、ＲｅｓＮｅｔ５０ 方法的对比。可以看出，ＺＣＡ＋ＣＮＮ 在提取了图像一定特征的前提下再进行网络学习，可能导致图像部分信息缺失或使得网络对特定特征学习并不良好，从而识别率有所下降，同时网络层数不深、特征学习还不够，ＦＣＮＮ＋ＩＣＡＥ 也是类似问题；ＣＮＮ ＋ ＳＶＭ 中卷积网络仅有３ 层，对目标训练不充分导致输出的目标特征没有较强的差异性，输入到ＳＶＭ 中识别率也不佳；ＬｅＮｅｔ-５＋ＣＲＣ 则是将网络特征输入到机器学习方法中，利用了机器学习方法对样本数量不敏感的特点，但由于ＬｅＮｅｔ５ 浅层网络训练不充分的原因，其训练得到的特征在可分性上也有所不足。另外本文与ＲｅｓＮｅｔ５０ 网络在识别率上基本一样，但由于参数量远小于ＲｅｓＮｅｔ５０ 网络，因此具有较强性能优势。

为进一步对比上述方法的泛化能力，换成俯仰角为３０°、４５°的测试集，识别率如表５ 所示。可以看出，随着俯仰角的增大，识别率均降低，但本文方法依然保持较高的识别性能，说明该深度网络具有较强的泛化能力。

５ 结束语

提出了嵌入注意力机制的ＤＳＣ 网络的ＳＡＲ 目标识别方法。该模型主要在ＤＳＣ 网络基础上构建轻量化、有效的识别网络，通过设计多尺度模块，用小卷积核代替大卷积核，提取到不同深度的特征信息并缩减了网络参数；利用注意力机制提高了对目标特征的权重。采用浅层网络用大尺度、深层网络用小尺度的方法设计网络模型。在不扩充样板数量的情况下，依然保持较高的识别率以及较强的泛化能力，可为其他ＳＡＲ 目标识别和检测提供轻量化网络基础。

参考文献

［１］ ＺＨＯＵ Ｙ Ｓ，ＷＡＮＧ Ｗ，ＣＨＥＮ Ｚ，ｅｔ ａｌ． Ｈｉｇｈｒｅｓｏｌｕｔｉｏｎａｎｄ Ｗｉｄｅｓｗａｔｈ ＳＡＲ Ｉｍａｇｉｎｇ Ｍｏｄｅ Ｕｓｉｎｇ Ｆｒｅｑｕｅｎｃｙ Ｄｉｖｅｒｓｅ Ｐｌａｎａｒ Ａｒｒａｙ ［Ｊ］． ＩＥＥＥ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ ＲｅｍｏｔｅＳｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２０，１８（２）：１－５．

［２］ ＷＡＮＧ Ｊ，ＺＨＡＮＧ Ｘ Ｚ，ＬＩＵ Ｍ Ｍ，ｅｔ ａｌ． ＳＡＲ Ｔａｒｇｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｍｕｌｔｉａｓｐｅｃｔ Ｍｕｌｔｉｆｅａｔｕｒｅ ＣｏｌｌａｂｏｒａｔｉｖｅＲｅｐｒｅｓｅｎｔａｔｉｏｎ ［Ｊ ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２０，１１（８）：７２０－７２９．

［３］ 张阳，刘小芳，周鹏成． 改进Ｆａｓｔｅｒ ＲＣＮＮ 的ＳＡＲ 图像船舶检测技术［Ｊ ］． 无线电工程，２０２２，５２ （１２ ）：２２８０－２２８７．

［４］ 郭炜炜，张增辉，郁文贤，等． ＳＡＲ 图像目标识别的可解释性问题探讨［Ｊ］． 雷达学报，２０２０，９（３）：４６２－４７６．

［５］ ＰＰＡＰＳＯＮ Ｓ，ＮＡＲＡＹＡＮＡＮ Ｒ Ｍ． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｖｉａ ｔｈｅＳｈａｄｏｗ Ｒｅｇｉｏｎ ｉｎ ＳＡＲ Ｉｍａｇｅｒｙ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓｏｎ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ，２０１２，４８ （２ ）：９６９－９８０．

［６］ 辛海燕，童有为． 结合多源特征与高斯过程模型的ＳＡＲ 图像目标识别［Ｊ］． 电讯技术，２０２１，６１ （４ ）：４５４－４６０．

［７］ ＺＨＡＯ Ｑ，ＰＲＥＩＮＣＩＰ Ｊ Ｃ． Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ ｆｏｒＳＡＲ Ａｕｔｏｍａｔｉｃ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓｏｎ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ，２００１，３７ （２ ）：６４３－６５４．

［８］ ＳＵＮ Ｙ Ｇ，ＤＵ Ｌ，ＷＡＮＧ Ｙ，ｅｔ ａｌ． ＳＡＲ Ａｕｔｏｍａｔｉｃ ＴａｒｇｅｔＲｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｄｉｃｔｉｏｎａｒｙ Ｌｅａｒｎｉｎｇ ａｎｄ ＪｏｉｎｔＤｙｎａｍｉｃ Ｓｐａｒｓｅ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ［Ｊ ］． ＩＥＥＥ Ｇｅｏｓｃｉｅｎｃｅａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０１６，１３（１２）：１７７７－１７８１．

［９］ ＺＨＡＯ Ｊ Ｐ，ＧＵＯ Ｗ Ｗ，ＺＨＡＮＧ Ｚ Ｈ，ｅｔ ａｌ． Ａ ＣｏｕｐｌｅｄＣｏｎｖｏｌｕｔｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｓｍａｌｌ ａｎｄ Ｄｅｎｓｅｌｙ Ｃｌｕｓｔｅｒｅｄ Ｓｈｉｐ Ｄｅｔｅｃｔｉｏｎ ｉｎ ＳＡＲ Ｉｍａｇｅｓ［Ｊ］． Ｓｃｉｅｎｃｅ ＣｈｉｎａＩｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ，２０１９，６２ （４ ）：０４２３０１：１ －０４２３０１：１６．

［１０］ 贺丰收，何友，刘准钆，等． 卷积神经网络在雷达自动目标识别中的研究进展［Ｊ］． 电子与信息学报，２０２０，４２（１）：１１９－１３１．

［１１］ ＣＨＥＮ Ｓ，ＷＡＮＧ Ｈ Ｐ，ＸＵ Ｆ，ｅｔ ａｌ． Ｔａｒｇｅｔ ＣｌａｓｓｉｆｉｃａｔｉｏｎＵｓｉｎｇ ｔｈｅ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ ＳＡＲ Ｉｍａｇｅｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１６，５４（８）：４８０６－４８１７．

［１２］ 许强，李伟，占荣辉，等． 一种改进的卷积神经网络ＳＡＲ 目标识别算法［Ｊ］． 西安电子科技大学学报，２０１８，４５（５）：１７７－１８３．

［１３］ 喻玲娟，王亚东，谢晓春，等． 基于ＦＣＮＮ 和ＩＣＡＥ 的ＳＡＲ 图像目标识别方法［Ｊ］． 雷达学报，２０１８，７ （５）：６２２－６３１．

［１４］ 林志龙，王长龙，胡永江，等． ＳＡＲ 图像目标识别的卷积神经网模型［Ｊ］． 中国图象图形学报，２０１８，２３（１１）：１７３３－１７４１．

［１５］ ＨＥ Ｋ Ｍ，ＺＨＡＮＧ Ｘ Ｙ，ＲＥＮ Ｓ Ｑ，ｅｔ ａｌ． Ｄｅｅｐ ＲｅｓｉｄｕａｌＬｅａｒｎｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｃ］∥ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｌａｓ Ｖｅｇａｓ：ＩＥＥＥ，２０１６：７７０－７７８．

［１６］ ＷＡＮＧ Ｊ Ｈ，ＪＩＡＮＧ Ｙ． Ａ ＳＡＲ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ Ｍｅｔｈｏｄｖｉａ Ｃｏｍｂｉｎａｔｉｏｎ ｏｆ Ｍｕｌｔｉｌｅｖｅｌ Ｄｅｅｐ Ｆｅａｔｕｒｅｓ［Ｊ］． Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｎｅｕｒｏｓｃｉｅｎｃｅ，２０２１，２０２１：２３９２６４２．

［１７］ ＳＨＡＮＧ Ｓ Ｓ，ＬＩ Ｇ Ｐ，ＷＡＮＧ Ｇ Ｚ． Ｃｏｍｂｉｎｉｎｇ ＭｕｌｔｉｍｏｄｅＲｅｐｒｅｓｅｎｔａｔｉｏｎｓ ａｎｄ ＲｅｓＮｅｔ ｆｏｒ ＳＡＲ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２１，１２（６）：６１４－６２４．

［１８］ 史宝岱，张秦，李瑶，等． 基于改进残差注意力网络的ＳＡＲ 图像目标识别［Ｊ］． 激光与光电子学进展，２０２１，５８（８）：１１４－１２２．

［１９］ ＨＯＷＡＲＤ Ａ Ｇ，ＺＨＵ Ｍ，ＣＨＥＮ Ｂ，ｅｔ ａｌ． Ｍｏｂｉｌｅｎｅｔｓ：Ｅｆｆｉｃｉｅｎｔ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｍｏｂｉｌｅ Ｖｉｓｉｏｎａｐｐｌｉｃａｔｉｏｎｓ［ＥＢ ／ ＯＬ］． （２０１７－０４－１７）［２０２３－０５－１１］．ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ １７０４． ０４８６１．

［２０］ 路文超，庞彦伟，何宇清，等． 基于可分离残差模块的精确实时语义分割［Ｊ］． 激光与光电子学进展，２０１９，５６（５）：９７－１０７．

［２１］ ＨＵ Ｊ，ＳＨＥＮ Ｌ，ＳＵＮ Ｇ． Ｓｑｕｅｅｚｅａｎｄｅｘｃｉｔａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０１８ ＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｌｔ Ｌａｋｅ Ｃｉｔｙ：ＩＥＥＥ，２０１８：７１３２－７１４１．

［２２］ 田壮壮，占荣辉，胡杰民，等． 基于卷积神经网络的ＳＡＲ 图像目标识别研究［Ｊ］． 雷达学报，２０１６，５ （３）：３２０－３２５．

［２３］ 冯新扬，邵超． 跨卷积网络特征融合的ＳＡＲ 图像目标识别［Ｊ］． 系统仿真学报，２０２１，３３（３）：５５４－５６１．

作者简介

卢小华 女，（１９８１—），硕士，讲师。主要研究方向：数据挖掘。

李爱军 女，（１９６４—），博士，教授。主要研究方向：数据挖掘。

基金项目：山西省教育厅教学改革创新项目（Ｊ２０２１８６５）