基于非完备标签学习的智能检测方法研究.pdfVIP

摘要

目标检测是雷达系统的关键功能。虽然研究表明在实测环境中数据驱动的智

能目标检测方法的检测性能较传统检测方法有所提升，但是目前这些智能检测方

法中的模型训练依赖大量有精确标注的数据。精确的标注需要耗费大量的人力、物

力与时间。在实际情况中，特别是在军事领域，检测目标往往不是合作目标，只能

获得很少的目标数据。即使能获得少量的目标数据，标注也是十分困难的，因为无

法获得目标的精确位置。因此，研究如何利用大量无标签数据和少量有标签的数据，

或者只需要粗略标注而不需精确标注的数据，即弱标签数据就能训练模型的智能

检测方法，对推动雷达智能化的发展具有重大意义。

针对上述数据驱动方法获得精确标签数据难的问题，本文开展了如何利用非

完备标签数据训练适用于雷达回波数据的网络模型的研究，并在实测海杂波数据

下进行实验验证，提升雷达检测性能。本文主要研究内容和贡献如下：

1、研究了现有的基于完备标签学习的智能检测方法，即基于U-Net的监督学

习单帧智能检测方法，并在此基础上提出基于检测位移网络（Detectionand

displacementnetwork，DDNet）的监督学习连续帧智能检测方法。相较于现有单帧

检测方法，DDNet可以同时学习目标在连续帧距离角度普上的位置与位移，融合

连续帧回波信息，提高检测性能。

2、针对现有数据驱动检测方法需要大量精确标签数据，没有利用无标签数据

的问题，研究了如何利用大量无标签数据与少量有标签数据，提出基于对比学习的

雷达可视化特征（Radarvisualrepresentationsviacontrastivelearning,RAVA-CL）的

智能检测方法。所提方法相对于现有直接用标签数据训练网络的检测方法和无监

督检测方法有更好的特征提取能力与检测性能。

3、针对现有数据驱动检测方法标注精确标签数据难的问题，研究了如何利用

大量只有回波级弱标签数据，提出基于类别热力图（Classactivationmap，CAM）

的弱监督学习智能检测方法，所提方法能有效区分杂波与目标特征，通过学习得到

目标较精确标签。所提方法与基于错标漏标数据训练网络相比，有更好检测性能。

基于完备标签学习的智能检测方法通过毫米波雷达仿真实验与实测数据验证，

基于非完备标签学习的智能检测方法通过X波段实测海杂波为背景加仿真目标回

波进行验证，证明了所提方法在非完备标签情况下的有效性。

关键词：雷达目标检测，监督学习，对比学习，弱监督学习，海杂波

ABSTRACT

Targetdetectionisakeyfunctionofradarsystems.Althoughresearchshowsthat

data-drivenintelligenttargetdetectionmethodshaveimproveddetectionperformancein

real-worldenvironmentscomparedtotraditionalmethods,themodeltrainingprocessin

theseintelligentdetectionmethodsreliesonalargeamountofaccuratelylabeleddata.

Accuratelabelingrequiresasignificantamountofmanpower,resources,andtime.In

practicalsituations,especiallyinthemilitaryfield,thetargetstobedetectedareoften

non-cooperative,andonlyasmallamountoftargetdatacanbeobtained.Evenifasmall

amountoftargetdatacanbeobtained,labelingisverydifficultbecausetheexactlocation

ofthetargetcannotbeobtained.Therefore,re