李雨鑫 羅丁利 陳尹翔 楊 磊

(西安電子工程研究所 西安 710100)

0 引言

隨著自動駕駛和智慧城市的發(fā)展，人們對各種環(huán)境下目標檢測分類的需求也越來越大。與光學傳感器相比，由于雷達在全天候多環(huán)境下工作的特性，使其廣泛應用于智慧城市和環(huán)境監(jiān)測等領域。然而，在雷達目標分類領域，由于數(shù)據(jù)采集成本高和雷達形式參數(shù)多樣，難以針對每一種雷達采集大量數(shù)據(jù)來訓練出一個高性能神經(jīng)網(wǎng)絡。多任務學習[1]方法，可以利用不同的任務之間的相似性來提高模型準確率，從而解決微多普勒目標分類任務中數(shù)據(jù)不足和運算量受限的問題。在本文中，我們設計了一種共享特征提取器的多任務學習方法，神經(jīng)網(wǎng)絡可以同時完成微多普勒單兵小分隊任務的區(qū)分和三種飛機的分類任務。通過這種方法使深度神經(jīng)網(wǎng)絡模型在微多普勒分類任務中獲得更好的準確性和魯棒性。

1 多任務學習

對于深度學習方法來說，獲取高性能模型的前提是大量數(shù)據(jù)，數(shù)據(jù)不足會導致模型精度低，過擬合現(xiàn)象[2]嚴重，使模型難以在實際環(huán)境中使用。微多普勒[3]目標分類任務主要利用目標運動過程中不同部位速度不同的特點，通過對目標的連續(xù)跟蹤，得到目標不同部位速度隨時間變化的頻譜。由于多數(shù)雷達都具有速度測量功能(雖然某些雷達速度模糊會很嚴重，導致大量速度成分混疊)，因此使用微多普勒頻譜作為輸入進行目標分類具有非常廣泛的應用。近年來，多任務學習在模式識別領域中非?；钴S，在Sanh[4]的工作中將不同難度的任務劃分為不同層次的輸出，通過從多個任務中提取不同深度來學習更魯棒的特征表示。在Bischke[5]的工作中，任務是在衛(wèi)星圖像中識別建筑物的屋頂，采用多任務學習框架，將圖像中物體高度的任務作為輔助任務，以提高主任務的識別性能。許多任務也使用遙感圖像作為輸入，但對于作者所面臨的主要任務，使用物體高度估計的輔助任務會有較好的效果。在Liu[6]中，使用硬參數(shù)共享[7]對共享編碼器進行訓練，然后使用該方法的私有神經(jīng)元將任務分開進行分類，該方法在多任務學習領域中被廣泛使用。

2 網(wǎng)絡結構

2.1 微多普勒

多普勒效應被廣泛應用于雷達系統(tǒng)的各個部分。雷達發(fā)射一組固定頻率的電磁波照射目標，接收目標反射回波。當目標沿雷達的徑向移動時，接收到的回波會發(fā)生頻率變化。雷達利用此頻率變化確定目標的速度(fd=2v/λ，其中fd表示多普勒頻率變化，v為目標速度，λ為信號波長)。在目標運動的過程中，不同部位的速度會有所不同。例如，人在行走時胳膊和腳的速度波動范圍比較大，并且有周期性的變化，軀干的速度波動比較小。這種由目標本身不同部位的速度變化引起的微多普勒頻率變化是雷達目標識別的重要特征之一。當目標信噪比和雷達多普勒分辨率滿足條件時，通過對目標進行連續(xù)照射，記錄目標微多普勒譜隨時間的變化，得到微多普勒譜。

2.2 網(wǎng)絡結構

給予兩個微多普勒目標分類任務，首先輸入兩個微多普勒頻譜，之后對送入一個共享參數(shù)的BLSTM特征提取器，特征提取器輸出的結果分別送入兩個任務私有的神經(jīng)網(wǎng)絡中進一步特征提取和非線性映射，最終通過Softmax分類器進行分類。詳細網(wǎng)絡結構如圖1所示。

圖1 與傳統(tǒng)模式識別方法對比

通過這種特殊設計的網(wǎng)絡結構，在訓練過程中，BLSTM特征提取器由兩個任務產(chǎn)生的梯度共同優(yōu)化，這種方式有效的提高了其特征提取能力，同時由于參與訓練的數(shù)據(jù)增多，比起單獨任務訓練一個模型，這種方法可以使特征提取器更加魯棒。在經(jīng)過特征提取器提取特征之后，兩個不同任務提取出的特征分別送入不同任務私有的全連接層，這種方式可以使模型針對不同任務的特點訓練模型參數(shù)，從而在單個任務上有更好的表現(xiàn)。

2.3 損失函數(shù)

對于標準的分類問題，我們采用了大多數(shù)分類工作都會使用的Softmax交叉損失熵損失函數(shù)。給定神經(jīng)網(wǎng)絡輸入x=(x1,x2,x3,…,xk)和標記y=(y1,y2,y3,…,yk)可以得到目標損失函數(shù)為

在多任務學習框架下，兩個任務分別輸入數(shù)據(jù)和標記，可以通過損失函數(shù)計算出每個樣本的損失，分別記為，在進行參數(shù)優(yōu)化時，使用總的損失函數(shù)來優(yōu)化模型。對與BLSTM特征提取器，模型參數(shù)受兩個任務的梯度共同優(yōu)化，私有全連接層部分受自身任務損失優(yōu)化。

3 實驗結果

在本次試驗中我們使用了兩種微多普勒數(shù)據(jù)集：一種是針對單兵、小分隊的二分類問題，針對第一種數(shù)據(jù)，我們使用Ku波段脈沖雷達對目標進行數(shù)據(jù)采集，對回波進行512點積累最終通過提取目標所在距離單元的微多普勒數(shù)據(jù)，單人數(shù)據(jù)有1400幀數(shù)據(jù)，小分隊數(shù)據(jù)有1300幀數(shù)據(jù)，對上述數(shù)據(jù)選取70%作為訓練集，30%作為評價集。另一種采用三種飛機分類任務，數(shù)據(jù)集包含直升機、噴氣式飛機和螺旋槳飛機，三種類別數(shù)據(jù)量均在1300幀左右，其余設置與任務一相同。

為了驗證我們提出方法的效果，我們首先對比了傳統(tǒng)分類方法，包括KNN，隨機森林，使用SVM對PCA降維后的特征進行分類等方式，具體對比結果如表1所示。由表1可得，我們提出的方法對比傳統(tǒng)方法具有極高的優(yōu)勢。為了更具體分析我們提出的多任務學習方法對主任務的幫助，我們使用了一個與多任務模型具有同樣結構的單一任務模型做為Biseline。通過實驗表明，在相同網(wǎng)絡結構的情況下，使用多任務學習方法將對提高準確率有很大幫助，并且這種多任務學習方法在部署應用時，并不需要部署多余的輔助任務部分，這意味著我們使用和Biseline同樣的算力和存儲空間，得到了更高的準確率。

表1 與傳統(tǒng)模式識別方法對比

為了進一步驗證我們方法的性能。我們首先將我們的方法與傳統(tǒng)深度學習方法進行對比，包括基本的BLSTM，LSTM和RNN模型，以及被廣泛使用的VGG 16，RestNet 50，Inception V3等。對比結果見表2所示，我們對比了4，32兩種微多普勒幀長的情況，由于較少的幀數(shù)難以提供足夠的有效信息，所以大多數(shù)情況下小幀數(shù)時的準確率要小于大幀數(shù)情況。通過對比，我們提出的方法優(yōu)于傳統(tǒng)深度學習方法。同時，在一些遷移學習工作中，使用在ImageNet上訓練過的模型參數(shù)，使用微調的方法對微多普勒數(shù)據(jù)進行分類，我們對比了使用上述三種網(wǎng)絡微調的方法處理微多普勒任務。通過表2中，VGG 16 fine-tune，RestNet 50 fine-tune，Inception V3 fine-tune的結果可知，同樣的模型使用微調的方法訓練準確率有一定提升，然而由于特征空間的巨大差異，這種方法難以達到更好的效果。我們的方法對比這一類方法具有更高的準確率。最后，我們對比了幾種針對微多普勒分類任務特殊設計的分類方法，這一類方法包括DivNet[8]，Mo-DCNN, VMo-DCNN[9]。通過試驗結果可以看出，這一類方法準確率低于我們的方法，尤其在小幀數(shù)情況下，我們的方法準確率遠高于這一類方法。

表2 與深度學習方法對比

由于雷達所對應的應用場景大多需要極高的相應速度，在有限的時間內如果不能給出相應將會造成難以挽回的損失。所以一個應用于雷達的模型識別方法對計算速度有著更高的要求。為了驗證我們模型的規(guī)模，我們在相同的試驗環(huán)境中使用參數(shù)數(shù)量，F(xiàn)LOPs和運算時間來衡量我們模型的規(guī)模和實時性。對比的工作包括VGG16，Inception V3 和RestNet 50這一類廣泛應用的網(wǎng)絡模型，以及DivNet[8]，Mo-DCNN,VMo-DCNN[9]這一類針對微多普勒分類任務專用的方法。通過表3可以知道，我們的方法在這三項指標中優(yōu)于上述大部分模型，在與Mo-DCNN,VMo-DCNN的對比中，雖然我們的模型參數(shù)數(shù)量略大于這兩種方法，但FLOPs和計算時間要遠小于這兩種方法。通過上面的對比，我們的方法在計算量和計算時間上具有一定優(yōu)勢，這有利于本地部署和實際應用。

表3 運算量對比

4 結束語

人工智能現(xiàn)如今已廣泛應用于人類生活的各個角落，雷達作為一種重要的傳感器，雖然有大量使用經(jīng)典方法的模式識別工作[10]，但是在深度學習方法上的發(fā)展遠弱于計算機視覺，自然語言處理等領域。由于雷達探測方式和特征空間的不同，人們需要針對雷達的特點有針對性地設計模型訓練方法和相關算法，從而提高雷達系統(tǒng)的智能化識別能力。