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

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。