采用CNN-SSD的雷达HRRP小样本目标识别方法

doi:10.19665/j.issn1001-2400.2021.02.002

西安电子科技大学学报 ›› 2021, Vol. 48 ›› Issue (2): 7-14.doi: 10.19665/j.issn1001-2400.2021.02.002

采用CNN-SSD的雷达HRRP小样本目标识别方法

郭泽坤¹(),田隆¹(),韩宁²(),王鹏辉¹(),刘宏伟¹(),陈渤¹()

1.西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071
2.中国人民解放军32181部队,陕西西安 710032

收稿日期:2020-12-25 修回日期:2021-01-14 出版日期:2021-04-20 发布日期:2021-04-28
通讯作者: 韩宁,陈渤
作者简介:郭泽坤(1994—),男,西安电子科技大学博士研究生,E-mail: gzk1105@163.com|田隆(1992—),男,西安电子科技大学博士研究生,E-mail: tianlong_xidian@163.com|王鹏辉(1983—),男,副教授,博士,E-mail: wangpenghui@mail.xidian.edu.cn|刘宏伟(1971—),男,教授,博士,E-mail: hwliu@xidian.edu.cn|郭泽坤(1994—),男,西安电子科技大学博士研究生,E-mail: gzk1105@163.com|田隆(1992—),男,西安电子科技大学博士研究生,E-mail: tianlong_xidian@163.com|王鹏辉(1983—),男,副教授,博士,E-mail: wangpenghui@mail.xidian.edu.cn|刘宏伟(1971—),男,教授,博士,E-mail: hwliu@xidian.edu.cn
基金资助:
国家杰出青年科学基金(61525105);国家自然科学基金(61771361);高等学校学科创新引智计划(111计划)(B18039);国家杰出青年科学基金(61525105);国家自然科学基金(61771361);高等学校学科创新引智计划(111计划)(B18039)

Radar HRRP based few-shot target recognition with CNN-SSD

GUO Zekun¹(),TIAN Long¹(),HAN Ning²(),WANG Penghui¹(),LIU Hongwei¹(),CHEN Bo¹()

1. National Laboratory of Radar Signal Processing,Xidian University,Xi’an 710071,China
2. Unit 32181 of PLA,Xi’an 710032,China

Received:2020-12-25 Revised:2021-01-14 Online:2021-04-20 Published:2021-04-28
Contact: Ning HAN,Bo CHEN

摘要/Abstract

摘要：

雷达高分辨距离像非合作目标识别技术的发展主要受限于两个方面:一是由于非合作目标观测频率极低,导致带标签样本量严重不足,使非合作目标识别成为典型的小样本识别问题,这在学界依然是一个没有定论的开放性的热点和难点问题;二是现有的目标识别方法多基于完备数据集假设,使得其与非合作目标小样本目标识别问题严重失配。针对上述问题,对于非合作目标识别抛开数据集完备假设,提出了一种采用卷积神经网络模型连续自蒸馏的雷达高分辨距离像小样本目标识别方法。该方法首先利用包含45类合作目标的完备的训练数据集训练,得到一个初始的类别无关的特征提取器;基于此,进一步采用模型连续自蒸馏机制得到更具泛化能力的特征提取器;最后,在非合作目标上对所提取特征的泛化能力进行了测试。实验结果表明,对于5类非合作目标,所提方法在仅有1个、5个和10个训练样本的情况下,平均识别率分别达到61.26%,84.69%和92.52%,实现了对库外样本的快速、有效识别。

关键词: 雷达目标识别, 小样本学习, 特征提取, 高分辨距离像, 卷积神经网络, 连续自蒸馏, 雷达目标识别, 小样本学习, 特征提取, 高分辨距离像, 卷积神经网络, 连续自蒸馏

Abstract:

The development of radar high resolution range profile(HRRP)non-cooperative targets recognition technology is mainly limited by two aspects:(1) Due to the low observation frequency of non-cooperative targets,the number of labeled HRRPs is insufficient,making non-cooperative HRRP based target recognition a typical few-shot recognition problem,which is still a hot and difficult issue without definite conclusion in the academia.(2) The existing HRRP based target recognition methods are mostly based on the hypothesis of complete dataset,making them mismatch with non-cooperative target recognition in few-shot setting.In this paper,we put aside the complete hypothesis and propose an HRRP based few-shot target recognition method with CNN-SSD.The proposed method first uses a complete training HRRP containing 45 classes of cooperative targets to learn an initial category-independent feature extractor,on the basis of which we further utilize the model sequential self-distillation mechanism to obtain a more generalized feature extractor.Finally,the generalization ability of the extracted features is evaluated on unseen non-cooperative targets during training.Experimental results on self-simulated HRRP dataset reveal that the proposed method can achieve an average recognition rates of 61.26%,84.69% and 92.52% respectively when only 1,5 and 10 annotated HRRPs of non-cooperative targets are available.

Key words: radar target recognition, few shot learning, feature extraction, high resolution range profile, convolutional neural networks, sequential self-distillation, radar target recognition, few shot learning, feature extraction, high resolution range profile, convolutional neural networks, sequential self-distillation

中图分类号:

TP183

郭泽坤,田隆,韩宁,王鹏辉,刘宏伟,陈渤. 采用CNN-SSD的雷达HRRP小样本目标识别方法[J]. 西安电子科技大学学报, 2021, 48(2): 7-14.

GUO Zekun,TIAN Long,HAN Ning,WANG Penghui,LIU Hongwei,CHEN Bo. Radar HRRP based few-shot target recognition with CNN-SSD[J]. Journal of Xidian University, 2021, 48(2): 7-14.

图/表 6

图1

表1

图2

表2

表3

图3

参考文献 13

[1]	徐丹蕾, 杜兰, 王鹏辉, 等. 采用多任务稀疏学习的雷达HRRP小样本目标识别[J]. 西安电子科技大学学报, 2016,43(2):23-28.
	XU Danlei, DU Lan, WANG Penghui, et al. Radar HRRP Target Recognition by Utilizing Multitask Sparse Learning with A Small Training Data Size[J]. Journal of Xidian University, 2016,43(2):23-28.
[2]	和华. 雷达高分辨距离像噪声稳健和小样本稳健识别方法研究[D]. 西安: 西安电子科技大学, 2016.
[3]	何松华, 张润民, 欧建平, 等. 基于卷积神经网络的高分辨率雷达目标识别[J]. 湖南大学学报, 2019,46(8 ): 141-148.
	HE Songhua, ZHANG Runmin, OU Jianping, et al. High Resolution Radar Target Recognition Based on Convolution Neural Network[J]. Journal of Hunan University, 2019,46(8):141-148.
[4]	杨予昊, 孙晶明, 虞盛康. 基于卷积神经网络迁移学习的飞机目标识别[J]. 现代雷达, 2019,41(12):35-39.
	YANG Yuhao, SUN Jingming, YU Shengkang. Aircraft Target Recognition Based on Convolutional Neural Network with Transfer Learning[J]. Modern Radar, 2019,41(12):35-39.
[5]	徐彬, 陈渤, 刘家麒, 等. 采用双向LSTM模型的雷达HRRP目标识别[J]. 西安电子科技大学学报, 2019,46(2):29-34.
	XU Bin, CHEN Bo, LIU Jiaqi, et al. Radar HRRP Target Recognition by the Bidirectional LSTM Model[J]. Journal of Xidian University, 2019,46(2):29-34.
[6]	TIAN L, CHEN B, PENG Y, et al. Meta Network for Radar HRRP Noncooperative Target Recognition with Missing Aspects[C]// Proceedings of the 2020 IEEE International Geoscience and Remote Sensing Symposium. Piscataway:IEEE, 2020: 2053-2056.
[7]	DU L, LIU H, BAO Z, et al. Radar HRRP Target Recognition Based on Higher Order Spectra[J]. IEEE Transactions on Signal Processing, 2005,53(7):2359-2368.
[8]	DU L, LIU H, BAO Z. Radar HRRP Statistical Recognition:Parametric Model and Model Selection[J]. IEEE Transactions on Signal Processing, 2008,56(5):1931-1944.
[9]	LEE K, MAJI S, RAVICHANDRAN A, et al. Meta-Learning with Differentiable Convex Optimization[C]//Proceedings of the 2019 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington:IEEE Computer Society, 2019: 10649-10657.
[10]	LAN Goodfellow, YOSHUA Bengio, AARON Courville. Deep Learning[M]. 北京: 人民邮电出版社, 2017:111-117.
[11]	HINTON G, VINYALS O, DEAN J. Distilling the Knowledge in a Neural Network[C/OL].[2020-11-26]. https://arxiv.org/pdf/1503.02531.pdf
[12]	FURLANELLO T, LIPTON Z C, TSCHANNEN M, et al. Born Again Neural Networks[C]//Proceedings of the 2018 35th International Conference on Machine Learning. Lille:IMLS, 2018: 2615-2624.
[13]	WAN J, CHEN B, XU B, et al. Convolutional Neural Networks for Radar HRRP Target Recognition and Rejection[J/OL].[2020-12-01]. https://doi.org/10.1186/s13634-019-0603-y.

模型	5个新类别(500个任务)
模型	1个样本	时间/s		5个样本		时间/s		10个样本		时间/s
SVM	41.60%±1.23%		0.181		66.80%±0.94%		0.376		77.29%±0.86%		0.696
Logistic	42.77%±1.17%		0.499		65.18%±0.90%		0.778		72.59%±0.88%		0.868
AGC	29.21%±0.96%		0.449		32.33%±0.97%		0.653		36.16%±0.96%		0.775
CNN-FC	19.81%±1.46%		0.769		20.21%±1.50%		0.688		19.70%±1.43%		0.872
CNNSSD-SVM	61.26%±0.13%		1.042		84.69%±0.08%		1.293		92.52%±0.51%		1.623
CNNSSD-Logistic	60.85%±0.13%		1.825		86.41%±0.82%		5.336		92.69%±0.54%		6.287

模型	5个新类别(500个任务)
模型	1个样本	时间/s	5个样本	时间/s	10个样本	时间/s
CNN-Logistic	59.14%±1.60%	2.389	84.81%±0.89%	6.153	92.19%±0.60%	10.423
CNNKD-Logistic	60.21%±0.14%	2.077	85.58%±0.83%	6.059	92.34%±0.56%	8.204
CNNSSD-Logistic	60.85%±0.13%	1.825	86.41%±0.82%	5.336	92.69%±0.54%	6.287
CNN-SVM	58.01%±1.54%	1.755	82.63%±0.85%	1.979	90.61%±0.68%	2.385
CNNKD-SVM	60.63%±1.41%	1.056	83.31%±0.81%	1.368	91.67%±0.53%	1.772
CNNSSD-SVM	61.26%±0.13%	1.042	84.69%±0.08%	1.293	92.52%±0.51%	1.623

[1]	李源,崔玉爽,王伟. 一种基于字词双通道网络的文本情感分析方法[J]. 西安电子科技大学学报, 2021, 48(6): 179-186.
[2]	于浩洋,尹良,李书芳,吕顺. 生成对抗网络小样本雷达调制信号识别算法[J]. 西安电子科技大学学报, 2021, 48(6): 96-104.
[3]	孙彦景,魏力,张年龙,云霄,董锴文,葛敏,程小舟,侯晓峰. 联合DD-GAN和全局特征的井下人员重识别方法[J]. 西安电子科技大学学报, 2021, 48(5): 201-211.
[4]	周鹏,杨军. 采用神经网络架构搜索的遥感影像分割方法[J]. 西安电子科技大学学报, 2021, 48(5): 47-57.
[5]	钱志华,高陈强,叶盛. 采用元学习的多场景教室学生姿态检测方法[J]. 西安电子科技大学学报, 2021, 48(5): 58-67.
[6]	杨云航,闵连权. 采用空洞卷积的多尺度融合草图识别模型[J]. 西安电子科技大学学报, 2021, 48(5): 92-99.
[7]	董如婵,焦李成,赵进,沈维燕. 一种深度融合机制的遥感图像目标检测技术[J]. 西安电子科技大学学报, 2021, 48(5): 128-138.
[8]	陈昌川,王海宁,黄炼,黄涛,李连杰,黄向康,代少升. 一种基于局部表征的面部表情识别算法[J]. 西安电子科技大学学报, 2021, 48(5): 100-109.
[9]	宋建锋,苗启广,王崇晓,徐浩,杨瑾. 注意力机制的多尺度单目标跟踪算法[J]. 西安电子科技大学学报, 2021, 48(5): 110-116.
[10]	张宇浩,程培涛,张书豪,王秀美. 一种自适应权重学习的轻量超分辨率重建网络[J]. 西安电子科技大学学报, 2021, 48(5): 15-22.
[11]	回海生,张雪英,吴泽林,李凤莲. 一种主辅路径注意力补偿的脑卒中病灶分割方法[J]. 西安电子科技大学学报, 2021, 48(4): 200-208.
[12]	王平,江雨泽,赵光辉. 目标检测的多尺度定位提升算法[J]. 西安电子科技大学学报, 2021, 48(3): 85-90.
[13]	刘洁怡,公茂果,詹涛,李豪,张明阳. 一种深度神经网络多站雷达系统干扰鉴别方法[J]. 西安电子科技大学学报, 2021, 48(2): 133-138.
[14]	魏梓钰,杨曦,王楠楠,杨东,高新波. 互惠双向生成对抗网络用于跨模态行人重识别[J]. 西安电子科技大学学报, 2021, 48(2): 205-212.
[15]	徐彬,张永顺,张秦,王富平,郑桂妹. 采用乘性RNN的雷达HRRP目标识别[J]. 西安电子科技大学学报, 2021, 48(2): 49-54.

采用CNN-SSD的雷达HRRP小样本目标识别方法

Radar HRRP based few-shot target recognition with CNN-SSD

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 13

相关文章 15

Metrics

本文评价

推荐阅读 10