面向SAR图像目标分类的可解释深度学习方法研究.pdf

哈尔滨工业大学硕士学位论文

摘要

合成孔径雷达（SyntheticApertureRadar,SAR）是一个能够获取高分辨率图像

的微波探测系统，SAR图像目标分类是SAR领域的重要研究方向之一。传统的

SAR图像目标分类方法过于依赖人工提取特征，存在分类精度有限和泛化能力弱

等问题，而深度学习方法可从大量数据中自动提取特征，逐渐被应用到SAR图像

目标分类领域，目前基于深度学习的SAR图像目标分类方法均取得了较高的分类

精度。但是深度学习模型往往存在着可解释性差的问题，人类很难明确深度学习方

法对输入样本的决策依据和整个模型的决策过程，并且深度学习模型的预测结果

也存在不确定性高的问题。上述问题限制了基于深度学习的SAR图像目标分类模

型在实际部署中的适用范围。

本文针对深度学习SAR图像目标分类方法中样本决策依据不明确、模型决策

过程不清晰和预测结果不确定的问题，分别从样本层面、模型层面和预测结果层面

研究面向SAR图像目标分类的可解释深度学习方法，以提升SAR图像目标分类

深度学习方法的可解释性。本文的研究内容主要包含以下三个方面：

首先研究了面向SAR图像目标分类的样本可解释深度学习方法，研究了面向

SAR图像目标分类的类激活映射模型、梯度类激活映射模型和置信分数类激活映

射模型，三种模型以不同的线性权重组合对网络输出的特征图进行加权求和，可视

化后均可以显示出与特定类别最相关的图像区域，实现了样本层面的可解释。

其次研究了面向SAR图像目标分类的模型可解释深度学习方法。将卷积神经

网络与决策树结合在一起，使用卷积神经网络的参数构建决策树，再利用决策树的

分层结构明确卷积神经网络的决策过程，实现模型层面的可解释。在此基础上，又

引入了树监督损失函数，以解决训练过程中的过拟合问题，进一步提高了分类精度。

最后研究了面向SAR图像目标分类的预测结果可解释深度学习方法。针对深

度学习模型中存在的预测结果确定性低的问题，设计了基于径向基函数核网络更

新的卷积神经网络模型，通过缩小模型输出与正确类别质心之间的距离，实现了对

预测结果不确定性的校正，该方法还可以缓解过拟合问题，实现了预测结果准确性

和确定性的双重提升。

关键词：SAR图像目标分类；深度学习；可解释性；确定性

-I-

哈尔滨工业大学硕士学位论文

Abstract

SyntheticApertureRadar(SAR)isanactivemicrowavedetectionsystemthatcan

obtainhigh-resolutionimages.SARimagetargetclassificationisoneoftheimportant

applicationsinthefieldofSAR.TraditionalSARimagetargetclassificationmethodsrely

toomuchonmanualfeatureextraction,whichhasproblemssuchaslimitedclassification

accuracyandweakgeneralizationability.However,deeplearningmethodscan

automaticallyextractfeaturesfromalargeamountofdataandhavebeengradually

appliedtoSARimagetargetclassification.Currently,SARimagetargetclassification

methodsbasedondeeplearninghaveachievedhighclassifi