高分辨距离像(high resolution range profile, HRRP)是高分辨率雷达获取的目标散射点回波在雷达视线方向之和^[1]，它反映目标的散射体信息，包含如径向长度、结构起伏特征、散射点分布等丰富的信息。与传统的合成孔径雷达(synthetic aperture radar, SAR)与逆合成孔径雷达(inverse SAR, ISAR)相比，HRRP具有数据量小、处理速度快等优点，因此基于HRRP的目标识别技术具有重要的研究意义。

目前针对HRRP目标识别的研究主要分为传统方法和机器学习方法两大类。传统方法的研究以特征提取和分类器优化^[2]为主。传统的数学特征和物理特征具有明确的物理意义，这些特征可解释性强，但是在实际使用过程中需要足够的先验知识，并且可能存在特征区分度低、泛用性差等问题。近年来，一些深度学习的方法在HRRP识别领域取得了比传统方法更好的性能^[3]，如循环神经网络^[4]和卷积神经网络(convolutional neural network, CNN)^[5]。循环神经网络通过循环机制利用HRRP的时序信息进行识别，但是序列的总体长度与输入序列各时刻的维度相互制约，不利于大型目标识别。CNN能够提取图像的深层特征，同时对图像的平移不敏感，而HRRP中的平移主要体现在距离方向，因此CNN在HRRP识别中有较强的适用性。文献[6]将CNN用于HRRP空中目标分类，证明CNN相比于传统方法的识别率更高，并且对姿态的敏感性和适应性更强。文献[7]使用格拉姆角场将HRRP数据变换到二维图像，利用CNN进行识别，但是忽略了原始HRRP中的结构特征。文献[8]使用CNN对多种目标进行分类，但其实验中只使用了仿真数据。文献[9]在CNN中堆叠自注意力机制以提升准确率，但网络结构的复杂性大幅增加。文献[10]使用多尺度卷积层融合提取目标HRRP的特征，但是只利用仿真数据进行实验在选定的角域内进行识别。Karabayir等^[11]利用CNN对6类民船和军船分类，在他们自己数据集上的识别精度达到93.90 %。文献[12]为克服CNN不能有效利用HRRP中时间特征的局限性，提出一种二维递归神经网络来解决单个HRRP中的跨时间依赖关系从而提高识别性能。文献[13]研究了一种基于堆叠CNN-BiLSTM的HRRP自动目标识别方法。通过将CNN和长短期记忆模型组合，解决循环神经网络中容易出现的长期依赖问题，避免梯度消失，有效提高了HRRP目标的识别性能。郭帅等^[14]利用Transformer对HRRP识别，但是Transformer需要大量的计算资源，训练和使用代价昂贵。实际中，待识别目标往往为非合作目标，目标的姿态变化较大，而HRRP易受到姿态敏感性影响，目标姿态角的变化会使HRRP变化剧烈。并且各类目标的数量差异较大，属于不平衡分类问题，不同种类的样本数量差异明显时，容易导致样本小的类别识别率低。目前的CNN主要通过增加网络的深度来提取深层的结构特征，却忽略了船只的浅层的整体特征，没有考虑到目标的姿态变化与HRRP中结构特征变化的联系。因此，本文提出基于双分支特征融合卷积神经网络(dual-branch feature fusion convolutional neural network, DBFFCNN)的HRRP目标识别方法，同时提取深层的细节特征和浅层的全局特征并融合，充分利用船只姿态变化与结构特征变化的相关性。

1 基于特征融合CNN的识别方法

在训练CNN的过程中通常使用梯度下降法更新参数，对数据进行归一化可以使得网络的训练更加稳定，并且能使网络更快收敛。如果输入数据的尺度大，会导致网络的参数更新速度变快；如果输入数据的尺度过小，则会使参数更新缓慢，导致网络难以收敛，因此归一化在CNN的训练和收敛中起到了重要的作用。

HRRP具有幅度敏感性。由于雷达参数、目标位置、散射特性等因素的影响，同一雷达测量同一目标时，HRRP的幅度会存在差异。为使HRRP具有统一的尺度，需要对所有HRRP数据进行归一化处理。若X_i为HRRP实数数据的输入矩阵，则归一化后的数据X′_i可表示为

$ \boldsymbol{X}_i^{\prime}=\frac{\boldsymbol{X}_i-\min \left(\boldsymbol{X}_i\right)}{\max \left(\boldsymbol{X}_i\right)-\min \left(\boldsymbol{X}_i\right)} . $

(1)

本文提出的DBFFCNN包含3个主要结构：细节分支、全局分支和融合模块。模型的结构如图 1所示。

1.1 细节分支

细节分支的作用为提取HRRP目标的结构细节特征，由于HRRP中目标的结构信息丰富，因此需要充分提取HRRP细节特征。细节分支参考传统CNN^[15]识别方法和VGG^[16]模型并做出改进优化。细节分支的具体结构如图 2所示。

细节分支整体上使用卷积层堆叠组成，第1、2、3层中的卷积核个数为64，第4、5层中的卷积核个数为128，第6、7、8层中的卷积核个数为256。各卷积层中均使用批归一化，激活函数选择ReLU。为了得到足够多的细节信息，在每一层中的卷积核个数设置得较多，大小均为1×3，选择较小的卷积核是为了使提取出的特征更细致。相比于直接使用大卷积核，堆叠较小的卷积核能够降低卷积层的运算量。从整体上看，该分支的结构随着网络层数的增加，卷积层的通道数也在增加，使用较大的通道数可以增加网络对图像信息的感知能力，提高网络的表达能力。使用较深的网络层数能够提高网络的特征提取能力。这些设计思路与传统CNN的设计思路相符合。

需要注意的是，分支中第3和第6个卷积层的步长为2，其余的卷积层步长为1，并且全都使用相同的填充方式。使用2个步长为2的卷积层进行下采样，可保证输出的维度为输入特征维度的1/4。下采样层的功能不只是减少数据维度，也提取了更深层次的特征。降采样次数过多会使目标的信息丢失严重，对提取精细的特征造成影响。由于通道数较大，该分支中保证了提取出的空间特征信息足够多。由于该分支通道数较多，为节省计算资源，在该分支中不使用残差连接或其他分支结构。

1.2 全局分支

HRRP受姿态敏感的影响严重，船只在数据中的尺度差异巨大，因此在全局分支中更关注船只的全局特征。全局分支通过一系列降采样和全局池化操作，逐步提取出更大范围的图像特征，以理解整个HRRP中的船只分布。全局分支提供了一种宏观视角，帮助理解船只在图像中的分布和整体姿态；而细节分支则提供了更具体的局部特征，有助于区分不同类型的船只和识别其细节特征。

全局分支的结构为头部的卷积层和池化层，以及5个全局分支模块。各个模块的结构相同。其中头部的卷积层中卷积核大小为1×5，通道数为64，步长为2。头部的池化层的池化大小为1×3，步长为2。该分支的结构参考了深度学习分类任务中主流的轻量化模型，例如xception^[17]、mobilenet^[18]和shufflenet^[19]。全局分支模块如图 3所示。

图 3中，全局分支模块的结构包括1个主干和2个分支。主干由1×5卷积层、1×3分组卷积层和1×3卷积层组成，选择不同大小的卷积核是为了提取不同精度的特征。Shufflenet通过通道混洗的方式完成同一卷积层中不同通道间的信息交互，并利用深度可分离卷积中的点卷积改变特征图通道数。而在HRRP的特征图中，单个特征通常为单通道，不需要1×1的卷积与深度可分离卷积组合以降低计算量。因此本文在全局分支模块中将1×1卷积替换成1×5和1×3卷积，并用分组卷积完成通道间的信息交换。分组卷积的操作为：先将输入特征图分组，同时将其对应的卷积核也分组，然后对各个分组进行常规卷积。分组卷积的原理如图 4所示。

分组处理输入特征图，可以将计算分散到不同的卷积核上，与普通卷积相比减少了计算量。组数为g时，分组后的参数量降低到原来的1/g。由于各组使用独立的卷积核进行计算，分组卷积可以减少计算量和模型参数的数量。由于每个分组都有独立的卷积核，分组卷积可以引入分组之间的特征交互，增加模型的表达能力，同时降低复杂度，提高训练和推理效率。

左侧分支为残差连接，残差连接能够融合不同层的输出，提高了特征表达能力。右侧分支为全局池化层和2个全连接层组成的通道注意力机制。全局池化层对各通道计算全局平均值，第1个全连接层将输入的全局平均值压缩，第2个全连接层将数据的维度拓展并与主干的输出相乘，实现通道上的加权。大量研究表明注意力机制可以有效地改善模型的性能^[20]。通道注意力机制将特征图按通道维度加权，增加特征图中重要通道的权重，降低其他通道的权重。与其他注意力机制相比，通道注意力机制的参数量少、计算量小，高效地实现了跨通道的信息交互，让模型自主对各层特征图进行调整，从而提升准确率。

表 1为各模块的具体参数。c为卷积层的通道数，随着模块的增加，通道数增加。s为分组卷积的步长。全局分支模块第2和第4个为降采样模块，设置卷积步长设置为2，每通过一个下采样模块，特征图大小变为原来的1/2。其余模块的分组卷积步长设置为1，不改变特征图大小。d₁，d₂分别为全连接层中的神经单元个数，通常第1个全连接层的神经单元数为输入的1/16，即与全局平均池化层相连接的卷积层通道数的1/16，第2个全连接层的神经单元数为第2个神经单元数的16倍，并且和与之相乘的特征图的通道数相同。具体参数如表 1所示。

1.3 融合模块

融合模块将细节分支和全局分支提取的特征进行融合处理。CNN中合并2种类型的特征主要为求和与连接。然而，这2个分支的输出都具有不同级别的特征表示。细节分支特征提取的是船只的深层结构特征，而全局分支提取的是整体船只姿态信息。因此，简单的组合会忽略这2种类型信息的多样性，导致性能较差，优化困难。并且由于各分支提取的特征的维度不同，因此，简单的加和、乘法、拼接操作不利于提升识别的准确率。

本文根据HRRP数据经过各分支后特征维度的变化，设计了特征融合模块。由于在细节分支中下采样次数较少，该分支输出的特征图相比全局分支输出的特征图大，因此在融合过程中加入了下采样和上采样，分别改变细节分支和全局分支的输出特征图大小。具体的融合模块结构如图 5所示。

1.4 AlphaDropout

在机器学习中，常使用Dropout抑制过拟合现象。Dropout通过随机选择并停用部分神经单元，达到提升模型泛化性能的目的，降低模型对某些特定特征的过度依赖。AlphaDropout能够在抑制过拟合的同时，保持数据自身的均值和方差。SELU激活函数保证了输出是0均值和单位标准差，因此AlphaDropout和SELU激活函数通常一起使用。SELU函数中有2个超参数：λ和α，均由推导证明得到，而非通过训练获得，其表达式为

$ \operatorname{SELU}(z)= \begin{cases}\lambda z, & z>0, \\ \lambda \alpha(\exp (z)-1), & z \leqslant 0.\end{cases} $

(2)

2 实验结果 2.1 实验数据

本文使用FUSARShip数据集^[21]，其中包含15个主要船舶类别，数据集内图像为512像素×512像素的切片，数据切片来源于原始高分3号遥感图像，分辨率为1.1 m×1.7 m，极化模式包括HH和VV。选取其中100 m以上的散装货船、货轮、集装箱船和油轮4种大型船只。对数据中原始的高分辨SAR图像进行等角度间隔的旋转，角度间隔为3°，获得多个船只姿态的高分辨SAR图像。数据集中的SAR图像为实数数据，将SAR图像按方位向做平均即可转换成HRRP，因此各个类型船只的姿态角变化较为连续。HRRP数据总共13 560个HRRP样本。

为验证DBFFCNN在姿态角不完备的情况下克服姿态敏感性的能力，使用留出法从总数据中随机抽取出训练集样本10 240个，剩余3 320个作为测试集样本，使训练集和测试集的姿态角不重合。表 2给出了该数据集的组成。从表中可以看出各类船只的样本数量不完全相同，并且存在较大差异，可用于验证各类识别方法对不平衡样本问题的适用性。具体数据如表 2所示。

2.2 评价指标

使用整体准确率(overall accuracy, OA)和F₁分数(F₁-score, F₁)评估各类方法的识别效果，其定义为

$ \mathrm{OA}=\sum\limits_{i=1}^C N_{i i} / N, $

(3)

$ F_1=\frac{1}{C} \sum\limits_{i=1}^C \frac{2 \times P_{r_{-} i} \times R_{r_{-} i}}{P_{r_{-} i}+R_{r_{-} i}} . $

(4)

其中: C为总类别，N表示各类别的数量，P_{r_i}表示各类别的精确率，R_{r_i}表示召回率。整体准确率为所有类别上的总正确率，反映模型在任务中的整体效果。F₁分数的范围为0~1，既包含精确度的信息，也包含召回率的信息。F₁分数能反映各类方法在数据不平衡问题下的表现。

2.3 对比实验

为验证所提算法的有效性，引入9种HRRP识别模型对4种类型船只的目标分类测试进行对比，实验结果如表 3所示。方法1~9分别为贝叶斯压缩感知(Bayesian compressive sensing，BCS)^[22]、互补特征提取^[23]、支持向量机、最近邻、传统CNN^[15]、长短期记忆网络(long short term memory, LSTM)^[12]、CNN结合双向LSTM(convolutional neural network bi-directional long short term memory, CNN-BiLSTM)^[12]、CNN结合轻量级梯度提升机算法(convolutional neural network-light gradient boosting machine, CNN-LGBM)^[24]、简单循环神经单元结合注意力网络(simple recurrent units-attention, SRU-Attention)^[25]，方法10为本文算法。CNN中激活函数采用ReLU激活函数，batch大小设置为128，迭代次数300次，使用自适应动量优化器和交叉熵损失函数。由表 3结果可以看出，所提算法在HRRP舰船目标分类任务上获得了更优的性能。具体的结果如表 3所示。

从表 3的结果来看，方法3在集装箱船的识别率最高，而其他船只识别率的差异较大，说明支持向量机在样本不均衡时性能较差。最近邻和传统CNN方法在各类目标的识别率上较为均衡，但整体识别性能并不突出。LSTM、CNN-BiLSTM以及SRU-Attention的方法虽然整体识别率较高，但在集装箱船上的识别率较差，且该类船只平均长度最长，说明基于序列的方法识别较大的目标时仍有一定的局限性。CNN-LGBM方法将常用的Softmax分类器替换为LGBM，虽然总识别率提升，但是集装箱船的识别率却比传统CNN更低，说明该分类器仍存在局限性。本文方法在散装货船、货轮、油轮这3类船只的识别性能上达到最优，并且整体准确率和F₁分数最高，说明本文方法对比目前的主流方法占据一定优势。

为进一步验证DBFFCNN对目标姿态敏感问题的适用性，从上述实验数据中，抽取出雷达视线与船体主轴夹角60°~120°的数据进行实验，方法与表 3方法相同。当夹角在60°~120°之间时，船体在距离向的投影小于船身长度的1/2，此时的船身在HRRP上重叠严重，损失了较多的结构信息。该部分数据设置和实验结果分别如表 4、表 5所示。

由表 5结果可见，各方法对应各类别船只的识别准确率均降低，说明在雷达视线与船只夹角较大时，HRRP损失较多的信息导致识别率下降，其中货轮和集装箱船的识别精度下降明显。

2.4 收敛性验证

图 6(a)和6(b)分别展示了DBFFCNN和其他深度学习算法在训练数据上的损失函数和准确率的变化曲线，具体变化如图 6所示。

从图 6可以看出，本文DBFFCNN算法的损失函数值比其他方法下降更快，当训练次数在35次时，DBFFCNN的损失函数曲线已经稳定收敛，而其他方法还需要多训练30次左右才收敛稳定。同时，DBFFCNN算法在训练集上的准确率也比其他方法提升更快，对数据的拟合效果更好，说明本文算法可以加速网络收敛，解决训练过程中损失函数收敛过慢的问题。

2.5 复杂度分析

本节从参数量和推理时间两方面分析算法的复杂度。参数量为模型包含的参数的数量，用于衡量模型的大小。推理时间是网络处理单个数据所需时间，时间越短，速度越快。深度学习的方法受到硬件水平和框架的影响，为了能够从参数量的角度统一衡量复杂度，对比方法选择传统CNN、LSTM、CNN-BiLSTM、CNN-LGBM和SRU-Attention这几类深度学习方法。结果如表 6所示。

从表 6可以看出，LSTM的每个时间步长都能独立计算，因此其参数量较多但是推理时间最快。本文提出的CNN参数量明显少于其他方法，在内存中占据更少的存储空间；而推理时间与参数量更多的传统CNN相近，是因为DBFFCNN中的分支数相对较多，当模型的分支较多时，需要等待所有支路计算完后才能进行下一步的计算，即需要等待同步时间。

2.6 消融实验

为探究各模块的合理性及其对识别性能的影响，进行了消融实验，实验结果如表 7所示。

从表 7实验结果中，可以看出各模块对于性能的提升：引入全局分支后，算法性能得到了最大程度的提升，说明该分支在模型中的有效性和必要性；引入特征融合模块后，准确率和F₁分数均提升0.15个百分比，说明特征融合方法的合理性；引入AlphaDropout后整体准确率提升0.3个百分比，同时F₁分数提升0.11个百分比，缓解了舰船目标分类任务中的过拟合问题。本节对模型中各个模块做了更细致的分析，分别为：增加或删减细节分支层数、替换全局分支中分组卷积为普通卷积、剪去通道注意力机制、Dropout替换。结果如表 8所示。

表 8表明，当细节分支层数从8减少到6、4时，F₁分数下降，整体准确率先增加后下降，说明该分支层数较少时，提取的特征会偏向于训练样本较多的类别；当层数从8增加到10、12时，整体准确率降低，F₁分数略有增加而后减少，并且由于细节分支的通道数较多，会极大地增加网络的计算量。

表 9给出了分组卷积和SE(squeeze-and-excitation)注意力机制对识别的影响。将分组卷积替换为普通卷积时，货船和集装箱船的识别率提升约2个百分点，然而散装货船的识别率降低约2.7个百分点，油轮的识别率降低3个百分点，整体识别率和F₁分数降低；当剪去SE注意力机制时，散装货船和货轮的识别准确率均下降，且整体准确率和F₁降低1.1个百分点，F₁分数降低超过2个百分点，说明注意力机制对特征的筛选作用。具体结果如表 9所示。

表 10给出了不同的融合方法对识别结果的影响，将原始融合模块中的升采样和降采样部分拆分开分别进行测试，识别准确率和F₁分数均低于同时采用升采样和降采样的融合方法的识别效果。具体结果如表 10所示。

表 11给出了Dropout对识别性能的影响，使用普通的Dropout时，散装货船、集装箱船和邮轮的识别精度略微降低，说明了AlphaDropout对数据的标准化进一步抑制了网络的过拟合。具体结果如表 11所示。

根据以上实验，本文的DBFFCNN不仅提取了HRRP的高分辨率细节特征，并且引入了低分辨率的全局信息，有效提高了模型的识别能力。在训练数据不平衡的情况下，取得了优良的识别效果，且在姿态角不完备时仍能保持较高的识别率，说明该方法在一定程度上缓解了姿态敏感性的影响。

3 结论

本文提出一种基于双分支特征融合CNN的HRRP船只目标识别方法。该方法提取HRRP不同层次的特征并进行融合，有效地提高了对目标特征的描述能力和对舰船目标的识别能力。实验结果表明，与目前主流的HRRP目标识别方法相比，该方法取得了更好的识别性能。