视觉认知机制启发的无人机自主压缩目标成像与识别

How to enable an unmanned aerial vehicle (UAV) to autonomously recognize a target is an important issue for both military and civilian in the field of artificial intelligence. In current automatic target recognition system in remote sensing, the core modules of target information acquisition, imaging, detection, discrimination and recognition are generally independent without concerning their task relevance. As a consequence, it will not only increase the burden of data sampling and processing for UAV, but also spend additional time cost, which is not suitable for some realtime tasks. Inspired by human visual cognitive mechanism, this project attempts to simulate the manners of selective attention and processing in ventral and dorsal streams. To do so, the adversarial models will be exploited to characterize the bottom-up data driven stream and top-down task feedback stream simultaneously. Some low level salient features as well as high level discriminative features can be learned at the same time. Based on these models, this project will construct a multi-task learning framework of saliency driven compressed target imaging, detection, discrimination and recognition to form a target oriented end to end system of fast imaging and recognition. Experimental platform will be finally designed to validate the effectiveness of the proposed models. The project will provide a novel idea and primary theoretical support for UAV autonomously parsing in future.

如何能使无人机具有自主识别目标的能力，是人工智能领域中一个具有重要军民战略意义的前沿性研究课题。在当前遥感领域的自动目标识别系统中，目标信息的采集、成像、检测、辨识与识别等核心模块通常是独立的而忽略了其任务的相关性。这不仅会增加无人机数据采样和处理的负担，也会带来额外的时间成本，从而不适合许多实时任务的需求。本项目受到人类视觉认知机制的启发，拟模拟视觉选择注意和腹背侧双路信息流处理的方式，利用对抗模型对自底向上数据驱动和自顶向下任务反馈的双向信息流进行建模，并进行关于目标底层显著性和高层判别性的多层次特征学习。基于这些模型，本项目拟通过构造显著性驱动的压缩目标成像、定位、辨识与识别的多任务学习框架，形成快速端到端的面向目标成像识别一体化系统。本项目拟搭建仿真实验平台来验证每个模型的有效性，并对未来实现无人机自主解译提供了新颖的设计思路和初步理论支撑。

如何能使无人机具有自主识别目标的能力，是人工智能领域中一个具有重要军民战略意义的前沿性研究课题。在当前自动目标识别系统中，目标信息的采集、成像、检测、辨识与识别等核心模块通常是独立的而忽略了其任务的相关性。这不仅会增加无人机数据采样和处理的负担，也会带来额外的时间成本，从而不适合许多实时任务的需求。深度神经网络理论提供了一个非常有效的端到端一体化框架，但是它面临着目标特征可解释性弱、泛化性差、鲁棒性低等缺点，且其训练需要大量独立同分布标记样本。针对以上问题，本项目在基础理论与技术创新层面均取得了一些创新性研究成果和新颖性学术思想。首先提出了一个基于认知心理学启发的解耦表征学习理论体系，突破当前深度学习理论对数据独立同分布的假设，从考虑样本潜在的统计相关性转到挖掘样本间的语义、因果、物理模型关系的相关性，能有效地降低模型学习对大数据的“量”和“质”的需求。基于该理论，进一步提出了新的智能化目标图像检测与识别方法，能够有效地提升小样本条件下目标特征的可解释性和泛化能力，并提高了准确率和鲁棒性性能。为了验证该模型对对抗样本攻击的抵抗能力，研究了基于对抗学习的目标靶向攻击技术，能够生成视觉逼真的欺骗性虚假目标图像，使现有目标识别的典型方法决策为指定的靶向目标类。针对无人机具备进行自主在线学习提升能力的需求，提出了基于教师-学生交互式的连续学习方法，有效缓解当前学习模型面临的灾难遗忘问题。建立了仿真实验软件模块，验证了每个技术的有效性。在项目的资助下，以第一作者/通讯作者发表6篇论文（第一标注）。申请国家发明专利4项，其中1项已授权。参加了国内外学术会议交流，担任部分大会分会主席并进行分会特邀报告等。培养了研究生11人，其中已取得硕士学位研究生5人。在资助期内，项目负责人的博士论文获2020年陕西省优秀博士论文，2021年荣获陕西高等学校科学技术奖一等奖（排名第三）。