Deep convolutional neural networks (DCNNs) have attracted much attention in remote sensing recently. Compared with the large-scale annotated data set in natural images, the lack of labeled data in remote sensing becomes an obstacle to train a deep network very well, especially in synthetic aperture radar (SAR) image interpretation. Transfer learning provides an effective way to solve this problem by borrowing knowledge from the source task to the target task. In optical remote sensing application, a prevalent mechanism is to fine-tune on an existing model pretrained with a large-scale natural image data set, such as ImageNet. However, this scheme does not achieve satisfactory performance for SAR applications because of the prominent discrepancy between SAR and optical images. In this article, we attempt to discuss three issues that are seldom studied before in detail: 1) what network and source tasks are better to transfer to SAR targets; 2) in which layer are transferred features more generic to SAR targets; and 3) how to transfer effectively to SAR targets recognition. Based on the analysis, a transitive transfer method via multisource data with domain adaptation is proposed in this article to decrease the discrepancy between the source data and SAR targets. Several experiments are conducted on OpenSARShip. The results indicate that the universal conclusions about transfer learning in natural images cannot be completely applied to SAR targets, and the analysis of what and where to transfer in SAR target recognition is helpful to decide how to transfer more effectively.

中文翻译：

---

基于Deep CNNs的SAR目标识别中什么、哪里以及如何迁移

深度卷积神经网络（DCNNs）最近在遥感领域引起了广泛关注。与自然图像中的大规模标注数据集相比，遥感中标注数据的缺乏成为很好地训练深度网络的障碍，尤其是在合成孔径雷达（SAR）图像解译中。迁移学习通过从源任务向目标任务借用知识，提供了解决这个问题的有效方法。在光学遥感应用中，一种普遍的机制是对使用大规模自然图像数据集（如 ImageNet）预训练的现有模型进行微调。然而，由于 SAR 和光学图像之间的显着差异，该方案在 SAR 应用中并没有达到令人满意的性能。在本文中，我们试图讨论三个以前很少详细研究的问题：1）哪些网络和源任务更适合转移到 SAR 目标；2) 在哪一层传输更通用的 SAR 目标特征；3）如何有效地转化为SAR目标识别。在此分析的基础上，本文提出了一种具有域自适应的多源数据传递传递方法，以减少源数据与SAR目标之间的差异。在 OpenSARSship 上进行了一些实验。结果表明，自然图像中迁移学习的普遍结论不能完全应用于SAR目标，分析SAR目标识别中迁移的内容和位置有助于决定如何更有效地迁移。1）哪些网络和源任务更适合转移到SAR目标；2) 在哪一层传输更通用的 SAR 目标特征；3）如何有效地转化为SAR目标识别。在此分析的基础上，本文提出了一种具有域自适应的多源数据传递传递方法，以减少源数据与SAR目标之间的差异。在 OpenSARSship 上进行了一些实验。结果表明，自然图像中迁移学习的普遍结论不能完全应用于SAR目标，分析SAR目标识别中迁移的内容和位置有助于决定如何更有效地迁移。1）哪些网络和源任务更适合转移到SAR目标；2) 在哪一层传输更通用的 SAR 目标特征；3）如何有效地转化为SAR目标识别。在此分析的基础上，本文提出了一种具有域自适应的多源数据传递传递方法，以减少源数据与SAR目标之间的差异。在 OpenSARSship 上进行了一些实验。结果表明，自然图像中迁移学习的普遍结论不能完全应用于SAR目标，分析SAR目标识别中迁移的内容和位置有助于决定如何更有效地迁移。3）如何有效地转化为SAR目标识别。在此分析的基础上，本文提出了一种具有域自适应的多源数据传递传递方法，以减少源数据与SAR目标之间的差异。在 OpenSARSship 上进行了一些实验。结果表明，自然图像中迁移学习的普遍结论不能完全应用于SAR目标，分析SAR目标识别中迁移的内容和位置有助于决定如何更有效地迁移。3）如何有效地转化为SAR目标识别。在此分析的基础上，本文提出了一种具有域自适应的多源数据传递传递方法，以减少源数据与SAR目标之间的差异。在 OpenSARSship 上进行了一些实验。结果表明，自然图像中迁移学习的普遍结论不能完全应用于SAR目标，分析SAR目标识别中迁移的内容和位置有助于决定如何更有效地迁移。