用于训练样本的SAR图像往往并不充分，笔者提出基于生成网络的零样本学习方法，采用生成网络来层次化表征SAR图像特征，由此构建连续的可解释的特征空间，通过将SAR图像映射到该特征空间来实现对于未知样本的解译[21]。图14（a）为深度生成网络架构，由构造网络、生成网络和解译网络3部分组成，分别进行从已知目标标签到特征空间的映射、从特征空间到图像空间的生成，以及从未知目标图像空间到特征空间的映射；图14（b）给出的即是对MSTAR中7类已知目标经过生成网络学习后构造的二维特征空间及其中的目标分布。
（a）
（b）
图14 用于零样本学习SAR目标特征空间的深度生成网络架构
Fig. 14 Deep generative neural network for zero-shot learning of SAR target feature space
基于SAR目标重构传统的方法，将被观察目标重构成人类可以直接理解的表征，即三维几何形状和一些可识别的特点，重构的几何结构应保留目标识别用到的关键特征。相对于SAR自动目标识别的，SAR目标重构的2个关键优势在于：不仅局限对已知目标库的识别，应对所有目标都适用；因此也不需要对应的训练数据进行训练。这样的方法必须直接从物理模型中提炼出来，因为只有物理规律才具有普适性。提出一个分层框架实现SAR目标重构[22]，如图15所示，该框架由2层组成：基础层，首先提取和识别原始散射机制，包括模型参数的估计；高级层，组合孤立散射体而进一步重构得到完整几何结构。
图15 SAR目标重构框架
Fig. 15 Framework for SAR target reconstruction
如何利用人工智能技术进一步发展SAR图像智能解译是亟需研究的课题。图16给出一种数据驱动和模型约束下的SAR智能解译框架[23]，深度学习技术本身必须由海量数据驱动，但是往往人们忽视了模型的作用，也就是将先验知识融合到智能算法中。特别是针对SAR图像这样的电磁波散射物理过程的产物，需要融合电磁散射理论和机器学习理论，将物理规律等先验知识体现在智能解译算法中。这一目的可由模型、数据和算法三者协作达成：模型可以产生模拟数据，实测数据可以同化模型中，同时模型可以直接对机器学习算法进行正则化约束。这一思路即是物理智能/微波视觉的一个例子。
图16 数据驱动-模型约束下的SAR智能解译
Fig. 16 SAR intelligent interpretation with data drivenmodel constraint
3 结论
深度学习引发人类社会进入智能时代，智能时代迫切需要智能科学，然而完整的智能科学体系还不明朗。笔者认为智能科学是与自然科学和社会科学并列的大领域，并不局限于研究人类智能的脑科学。由于智能形成的因素和存在的必要条件，智能科学的范畴应该与自然科学与社会科学是对偶问题，因此三者应该相结合进行交叉研究。例如物理智能是一类典型的智能科学研究，即建立人工智能能适应甚至战胜物理世界。
物理智能是一个重要的智能科学研究领域，通过物理学与智能科学交叉研究能应对物理世界的人工智能。物理智能应与现有物理学紧密结合进行研究，特别是某些超越人类感官范畴、能力范围的领域，依赖于人类已建立的描述物理世界的精确理论体系，物理智能将超越人类感官范畴、超越人脑计算能力，其中微波视觉技术即旨在研发处理微波频段电磁信息的人工智能技术。物理智能的研究应该与智能科学的进展同时开展，例如在现阶段就可以利用虚拟世界模拟器来训练深度学习技术，从而实现如自动驾驶、智能蜂群或微波视觉的实用技术。
参考文献（References）
[1]
Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with
neural networks[J]. Science, 2006, 313(5786): 504-507.
[2] Silver D,
Huang A, Maddison C J, et al. Mastering the game of Go with deep neural
networks and tree search[J]. Nature, 2016, 529(7587): 484-489.
[3]
Krizhevsky A, Sutskever I, Hinton G. ImageNet classification with deep
convolutional neural networks[J]. Advances in Neural Information
Processing Systems, 2012, 25(2): 1097-1105.
[4] LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.
[5] Fukushima K. Cognitron: A self-organizing multilayered neural network[J]. Biological Cybernetics, 1975, 20(3-4): 121-136.
[6]
Jarrett K, Kavukcuoglu K, Ranzato M, et al. What is the best
multi-stage architecture for object recognition?[C]//IEEE,
Inter⁃national Conference on Computer Vision. Piscataway NJ: IEEE, 2010:
2146-2153.
[7] Glorot X, Bengio Y. Understanding the difficulty of
training deep feedforward neural networks[J]. Journal of Machine
Learning Research, 2010, 9: 249-256.
[8] Glorot X, Bordes A, Bengio
Y. Deep sparse rectifier neural networks[J]. Journal of Machine Learning
Research, 2012, 15: 315-323.
[9] Choromanska A, Henaff M, Mathieu M, et al. The loss surface of multilayer networks[J]. Arxiv.org, 2014, arXiv:1412.0233
[10] Pearl J. Theoretical impediments to machine learning with seven sparks from the causal revolution[J/OL]. [2018- 03- 20].
http://www.cse-lab.ethz.ch/wp-content/uploads/2014/09/Judea_Pearl_GREAT.pdf.
[11]
Sabour S, Frosst N, Hinton G E. Dynamic routing between capsules[J/OL].
[2018- 03- 20].
http://papers.nips.cc/paper/6975-dynamic-routing-between-capsules.pdf.
[12] LeCun Y. Predictive learning[EB/OL]. [2018-03-20]. https://www.youtube.com/watch?v=Qi1Yry33TQE.
[13] Ali Rahimi's talk at NIPS [EB/OL]. [2018-03-20]. https://www.youtube.com/watch?v=Ount2Y4qxQo.
[14]
周翔. Tomaso Poggio: 深度学习需要从炼金术走向化学[EB/OL]. (2018- 01- 28) [2018- 03-
20]. http://www.sohu.com/a/219443091_697750. Zhou Xiang. Tomaso Poggio:
Deep learning from alchemy to chemistry[EB/OL].
(2018-01-28)[2018-03-20]. http://www.sohu.com/a/219443091_697750.
[15] 朱崧纯. 浅谈人工智能: 现状、任务、构架与统一[EB/OL].
(2017- 11- 02) [2018- 03- 20]. https://mp.weixin.qq.com/s/-wSYLu-XvOrsST8_KEUa-Q.
[16]
Chen S, Wang H, Xu F, et al. Target classification using the deep
convolutional networks for SAR images[J]. IEEE Transactions on
Geoscience & Remote Sensing, 2016, 54(8): 4806-4817.
[17] Zhou Y,
Wang H, Xu F, et al. Polarimetric SAR image classification using deep
convolutional neural networks[J]. IEEE Geoscience & Remote Sensing
Letters, 2017, 13(12): 1935-1939.
[18] Zhang Z, Wang H, Xu F, et al.
Complex-valued convolutional neural network and its application in
polarimetric SAR image classification[J]. IEEE Transactions on
Geoscience & Remote Sensing, 2017, 55(12): 7177-7188.
[19] Song
Q, Xu F, Jin Y Q. Radar image colorization: Converting
single-polarization to fully polarimetric using deep neural networks[J].
arXiv.org, 2017, arXiv:1707.07225.
[20] YueD, Xu F, Jin Y Q. Deep
despeckling neural network for SAR images[J]. International Journal of
Remote Sensing, 2018, in press.
[21] Song Q, Xu F. Zero-shot learning
of SAR target feature space with deep generative neural networks[J].
IEEE Geoscience & Remote Sensing Letters, 2017, 14(12): 2245-2249.
[22]
Xu F, Jin Y Q, Moreira A. A preliminary study on SAR advanced
information retrieval and scene reconstruction[J]. IEEE Geoscience &
Remote Sensing Letters, 2016, 13(10): 1443-1447.
[23] 徐丰, 王海鹏, 金亚秋. 深度学习在SAR目标识别与地物分类中的应用[J]. 雷达学报, 2017, 6(2): 136-148.
Xu
Feng, Wang Haipeng, Jin Yaqiu. Deep learning as applied in sar target
recognition and terrain classification[J]. Journal of Radars, 2017,
6(2): 136-148.
作者： 徐丰1,2，金亚秋1,2
1. 复旦大学电磁大数据与遥感智能研究所，上海200433 2. 复旦大学电磁波信息科学教育部重点实验室
来源：科技导报
首页
