Quoi, Où et Comment Transférer dans la Reconnaissance des Cibles SAR Basée sur des CNN Profonds

Les réseaux de neurones convolutionnels profonds (DCNN) ont récemment attiré beaucoup d'attention dans le domaine de la télédétection. Comparé à l'ensemble de données annotées à grande échelle dans les images naturelles, le manque de données étiquetées en télédétection devient un obstacle pour bien entraîner un réseau profond, particulièrement dans l'interprétation des images radar à synthèse d'ouverture (SAR). L'apprentissage par transfert offre une solution efficace à ce problème en empruntant des connaissances de la tâche source à la tâche cible. Dans l'application de la télédétection optique, un mécanisme courant est de peaufiner un modèle existant pré-entraîné avec un ensemble de données d'images naturelles à grande échelle, tel qu'ImageNet. Cependant, ce schéma n'atteint pas des performances satisfaisantes pour les applications SAR en raison de la différence marquée entre les images SAR et optiques. Dans cet article, nous tentons de discuter de trois problèmes qui n'ont que rarement été étudiés en détail : 1) quel réseau et quelles tâches source sont meilleurs à transférer vers les cibles SAR ; 2) dans quelle couche les caractéristiques transférées sont-elles plus générales pour les cibles SAR ; et 3) comment transférer efficacement vers la reconnaissance des cibles SAR. Sur la base de l'analyse, une méthode de transfert transitoire via des données multisources avec adaptation de domaine est proposée dans cet article pour diminuer la différence entre les données source et les cibles SAR. Plusieurs expériences ont été menées sur OpenSARShip. Les résultats indiquent que les conclusions universelles sur l'apprentissage par transfert dans les images naturelles ne peuvent pas être entièrement appliquées aux cibles SAR, et l'analyse de ce qu'il faut transférer et où dans la reconnaissance des cibles SAR est utile pour décider comment transférer plus efficacement.