尹洁珺，李建伟，王 平，夏慧婷

(上海目标识别与环境感知工程技术研究中心，上海201109)

0 引言

合成孔径雷达(SAR)图像的目标识别技术在SAR图像解译中起着重要作用。成像高分辨与时间的矛盾导致单幅SAR图像的数据量增大，但很难获取完备的图像样本集。SAR图像目标识别是典型的“小样本”问题，许多经典的机器学习算法很难获得理想的泛化性能。为了解决这个问题，近年来开始关注特征融合方法。单个特征往往只包含目标信息的一部分，融合多个特征则能提供目标更多细节。多任务学习(MTL)作为一种特征融合方法在图像处理领域受到关注[1-5]。文献[4]首次将多任务稀疏表示(MTSR)引入多视SAR图像目标识别中。约束目标不同角度所成图像共享相似的稀疏模式，从而获得对角度变化稳定的目标识别结果。文献[5-7]给出了MTSR的正则化结构(RMTSR)，采用凸优化算法求解稀疏系数。文献[5]中提取单演特征，将每个特征域下的稀疏表示定义为RMTSR中的一个单任务(STL)。实验验证了SAR目标识别的稳定性，却缺乏对特征相关性或冗余性的分析。文献[8]指出：将两个特征直接用于训练多任务学习的模型，会使该模型性能下降。此外，文献[5]的方法忽略字典规模增长时，计算量快速变大的问题。因此，应研究特征相关性，避免无关特征组合使识别率下降，实现特征选择，使计算量适当降低。一种稀疏相关指数(SCI)被提出度量两个稀疏表示之间的相关性。多个特征两两组合，它们的SCI构成非线性相关矩阵(NCM)。……