近年来跟着阿尔法狗在围棋上碾压人类选手，人工智能技术变的众所周知。人工智能(1956提出)是关于常识的学科―怎样表明常识以及怎样取得常识并运用常识的科学。假如机器可以经过图灵测验，那么就可以当作具有人类智能。

深度学习简介

经过六十年的开展，人工智能开展缓慢，牵强可以说完结了弱人工智能（智能在某一个狭隘的范畴具有人类的智能），间隔通用人工智能和强人工智能还有很长的路要走。前期是选用专家系统的办法，可是需求许多职业的专家考虑各种规矩，规矩表过于杂乱，得到的作用也不抱负。

之后从数据中学习常识（机器学习和核算学习）的办法渐渐的替代了专家系统，取得了不错的作用。机器学习办法首要包含kNN，随机树，人工神经网络，支撑向量机，随机森林等等。其间人工神经网络阅历了屡次的大起大落，直到近年又一次迎来了复兴，只不过换了个名字叫深度学习。

深度学习来自于2006年Hinton提出的深度信仰网络DBN，经过逐层无监督预练习成功练习出较深的神经网络，之后称为深度神经网络，学习的进程叫深度学习。在业界，深度学习在核算机视觉和语音方面呈现的巨大打破是导致其走向复兴的标志。

2011年Hinton将深度学习介绍给微软工程师，使在语音辨认范畴得到了巨大的打破。2012年Hinton的学生Alex提出的AlexNet在大规模物体分类数据集ImageNet上的巨大成功，使核算机视觉范畴一切的使命都被深度学习所操纵。

一向到现在语音和图画这两个范畴***进的算法都是依据深度学习的办法。Hinton二十几年磨一剑，与Bengio以及Hinton总算迎来了深度学习的第三次复兴。关于深度学习的来龙去脉的细节可以参阅它们三人2015年在Nature上联名宣布的总述。深度学习复兴的实质是由大数据、核算才能和算法三者推进的。

依据深度学习的检测和辨认办法

核算机视觉的使命包含许多种，大体可以分红初级、中级和高档三类。初级核算机视觉包含切割、图画恢复和超分辩等，输出为处理之后的像素。中级核算机视觉首要是指特征提取。

高档核算机视觉首要包含检测和辨认两种使命。在核算机视觉范畴用到的深度学习模型首要是卷积神经网络CNN，CNN包含替换呈现的卷积层和池化层以及***几个全衔接层，经过部分同享权值和池化操作大大减少了参数量。

那么深度比较于传统办法有什么长处呢，这儿学习中科院核算所山世光所说的一句话，“深度学习的引进表现了端到端、数据驱动的思维：尽或许少的对流程进行干涉、尽或许少的做人为假定”。

其***的长处是可以自动提取***的特征，不需像传统办法那样进行人工规划特征。

核算机视觉和SAR图画

核算机视觉（Computer Vision, CV）的意图是模拟人的眼睛和大脑来完结自动的检测、辨认和盯梢等使命。核算机视觉范畴用途特别广，例如自动驾驶、智能安防、智能医疗、无人超市和移动互联网（各种手机APP，例如美图、激萌、抖音、快手等，百度、腾讯、阿里巴巴、京东、滴滴、华为和小米对这类人才的需求量也特别大）。

每一个范畴都是上千亿级的巨大商场，所以研讨特别活泼，社区开展完善，新颖的算法和思路层出不穷，并且许多都会供给开源代码。尤其是最近开展神速的无人超市和移动互联网，正在实在的改变着咱们的日子。

而比较于CV范畴，SAR图画研讨人员较少，社区不完善，研讨开展较慢。首要原因仍是因为商场所决议的，后者对应的用户太少。

现有的深度学习的方针检测算法都是对日常日子中的相片的物体进行检测，如图1 PASCAL VOC数据集（CV范畴专门用于练习和测验检测器的数据集）的两个比如，而SAR图画与这些图画具有很大的差异。

图1 PASCAL VOC 数据集和微波遥感数据集的部分图片示例

1.成像机理不一样。光学成像归于被迫成像，经过承受物体反射的光信号来成像。SAR成像归于自动成像，接纳发射的电磁信号并进行间隔向和方位向紧缩等操作来完结成像，后向反射系数较大的物体在SAR图画上亮度较大，经过这种亮度差异形成了单通道灰度图画，并且SAR图画具有特别的乘性的相干斑噪声。这与光学成像完全是两个不同的学科，具有实质的差异。

2.拍照视点不一样。PASCAL VOC是从水平视角拍照的天然图画，光学遥感和SAR遥感都是从上到下的视角进行观测成像，这会发生不同的图画，并且简略被气候，光照和视角的影响。

SAR图画对观测视点极度灵敏，这是因为散射信号的强度取决于物体不同部位的散射系数，观测视点略微改变有或许导致散射强度改变剧烈，光学遥感不存在，这对辨认造成了很大的困难。

3.SAR图画方针稀少且尺度小，输入图画巨大，有相干斑噪声，练习数据相对缺少。

依据深度学习的SAR图画舰船与辨认办法

SAR图画方针检测与辨认算法的开展头绪与核算机视觉范畴所相似。传统办法也是人工规划特征，多个流程独自优化。其间检测办法包含CFAR提取候选区域和辨别连个进程，CFAR严峻依赖于对SAR图画的核算建模，而实践场景的SAR图画改变较大，难以树立有用的适用性强的模型。

关于检测和辨认这两个使命来说，SAR图画与核算机视觉范畴里所运用的图画共性大于异性，所以应该多学习CV范畴优异的算法。

进行依据深度学习的方针检测和辨认之前需求树立数据集。军用战车辨认的数据集有MSTAR，咱们运用一些经典的CNN（VGG/GoogLeNet/ResNet等）进行辨认，发现准确率可以飙到99.5%[1]，并且完结起来十分简略便利。

关于舰船方针辨认2017年上海交大提出了***个包含十类方针的OpenSARShip数据集，可是类别间样本数量极端不均衡，难以练习出较好的分类模型，所以还需一个很好的数据集呈现。

关于SAR图画舰船方针检测使命咱们树立了实践上***个（据咱们所知）揭露的数据集SSDD[2]，得到了十几所高校和研讨所的运用（中科院电子所、中科院遥感所、清华大学、中电科38所、南开大学、中国科学技术大学、复旦大学、中国地质大学、武汉大学、国防科技大学、电子科技大学、北京航空航天大学、哈工程、航天1院等）。

数据集尽管相对比较简略，可是填补了本范畴的空白，供给了一致的数据集和测验规范，促进了这个范畴的健康开展。在数据集上咱们进行了一些作业，验证了Faster R-CNN和SSD等检测器比较于传统办法的令人冷艳的优秀功能，并依据SAR图画中舰船方针的详细特色对算法进行了改善。

图2是检测作用***行是Faster R-CNN的检测作用，第二行是SSD的检测作用[3]，第三行是运用旋转边框检测作用，详细细节将在下一篇文章进行解说[4]。从作用图咱们可以看到依据深度学习的方针检测算法可以习惯一切场景。

优势剖析

深度学习方针检测的办法长处：

***，尽管练习进程繁琐，可是猜测只需一次前向传达，经过CNN的紧缩和加快等操作后速度会很快；

第二，深度学习的引进表现了端到端、数据驱动的思维：尽或许少的对流程进行干涉、尽或许少的做人为假定，可以明显提高分类和检测功能。

第三，扩展性强，假如需求检测和辨认新方针，只需添加其样本从头练习，不需求改结构，不需求专门规划特征。

第四，习惯性强，不必区别大片海域和泊岸方针，可以习惯各种杂乱布景。

咱们以为，依据深度学习的方针检测和辨认算法是未来SAR图画智能解译的首要手法，尤其是跟着近年来巨大本钱在人工智能范畴的投入。

学习资源与沟通讨论

机器学习课程是必需要学习的，比较好的是斯坦福大学吴恩达的CS229课程，深度学习比较好的课程是斯坦福大学李飞飞CS231和吴恩达deeplearning.ai （网易云讲堂手机app有视频和中文字幕）。

Facebook人工智能研讨院FAIR开发的Detectron，Google开发的Tensorflow object detection API是两个比较好的方针检测结构，完结了大部分方针检测算法。

参阅文献

1 Jianwei Li, Changwen Qu and Shujuan Peng. Ship detection in SAR images based on an improved Faster R-CNN. 2017BIGSARDATA, Beijing.

2 Shao Jiaqi, Qu Changwen & Li Jianwei. A performance analysis of convolutional neural network models in SAR target recognition. 1-6. 10.1109/BIGSARDATA.2017.8124917.

3李健伟,曲长文,邵嘉琦. 依据深度学习的SAR图画舰船检测数据集及功能剖析, 第五届高分辩率对地观测学术年会.

4 Jianwei Li, Changwen Qu and Shujuan Peng. Multiscale and Densely Arranged Ship Detection in SAR Images with Gated Feature Pyramid Networks and Oriented Bounding Box. IEEE ACCESS.