石曉榮,張 康,倪 亮,劉澤文,姜 豐,陳 鑫

北京控制與電子技術(shù)研究所,北京 100038

0 引言

雷達(dá)誕生于20世紀(jì)初,由于其工作不受天氣和晝夜影響,可以實(shí)現(xiàn)對(duì)目標(biāo)全天時(shí)、全天候、遠(yuǎn)距離的探測(cè),因此在探測(cè)領(lǐng)域中有著十分重要的地位[1]。隨著科技的逐步發(fā)展,僅僅探測(cè)目標(biāo)位置信息的傳統(tǒng)雷達(dá)已經(jīng)不能夠滿足復(fù)雜場(chǎng)景下對(duì)目標(biāo)多方面信息的需求,能夠從雷達(dá)回波中提取出目標(biāo)詳細(xì)信息是雷達(dá)發(fā)展的必然趨勢(shì)[2]。

在雷達(dá)應(yīng)用領(lǐng)域中,海背景下的目標(biāo)檢測(cè)識(shí)別是當(dāng)下研究的重點(diǎn)之一。不同于可見(jiàn)光數(shù)據(jù),受復(fù)雜海洋環(huán)境產(chǎn)生的海雜波以及海面目標(biāo)類(lèi)型多樣化的影響,雷達(dá)回波數(shù)據(jù)由于其本身特性,信息表現(xiàn)方式更為復(fù)雜,目標(biāo)具有不封閉輪廓且呈現(xiàn)出多點(diǎn)散布的形式,且目標(biāo)有效區(qū)域占比遠(yuǎn)不及可見(jiàn)光數(shù)據(jù)[3]。同時(shí),隨著復(fù)雜電磁環(huán)境場(chǎng)景的增加,雷達(dá)視場(chǎng)內(nèi)目標(biāo)增多、辨識(shí)難度提升,對(duì)雷達(dá)目標(biāo)檢測(cè)識(shí)別方法的魯棒性和對(duì)真實(shí)目標(biāo)的辨別能力均提出了更高的要求[4]。

針對(duì)典型海背景環(huán)境下的目標(biāo)檢測(cè)識(shí)別問(wèn)題,在以往的應(yīng)用中通常采用傳統(tǒng)的恒虛警率[5]方法和模板匹配方法[6]等對(duì)目標(biāo)進(jìn)行定位和識(shí)別。前者需要構(gòu)建雜波統(tǒng)計(jì)模型來(lái)確定檢測(cè)閾值,參數(shù)估計(jì)和計(jì)算求解復(fù)雜耗時(shí),后者需建立依賴(lài)專(zhuān)家知識(shí)的完整模板庫(kù)。針對(duì)樣本獲取難度大的稀缺目標(biāo)和場(chǎng)景,如極端電磁環(huán)境、低信噪比和高海情的復(fù)雜場(chǎng)景皆會(huì)直接導(dǎo)致傳統(tǒng)算法性能驟降。同時(shí),傳統(tǒng)算法需要較為準(zhǔn)確的專(zhuān)家先驗(yàn)知識(shí)和手工特征提取,存在算法設(shè)計(jì)門(mén)檻高、算法魯棒性較弱的缺陷。

受益于深度學(xué)習(xí)技術(shù)的發(fā)展、數(shù)據(jù)量的增加和硬件設(shè)備的完善,目標(biāo)檢測(cè)識(shí)別領(lǐng)域的研究進(jìn)展突飛猛進(jìn)。相比傳統(tǒng)算法,深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)識(shí)別算法具備自動(dòng)化和智能化屬性,算法通過(guò)自適應(yīng)特征提取和調(diào)整,與專(zhuān)家經(jīng)驗(yàn)進(jìn)行淺解耦,通過(guò)合理地設(shè)置優(yōu)化方式達(dá)到較好的目標(biāo)識(shí)別效果,能夠準(zhǔn)確定位出指定目標(biāo)的位置并給出目標(biāo)的詳細(xì)信息。以Girshick等提出的Faster R-CNN[7]兩階段架構(gòu)目標(biāo)檢測(cè)算法和Redmon等提出的YOLO系列[8]單階段目標(biāo)檢測(cè)算法,改進(jìn)了卷積神經(jīng)網(wǎng)絡(luò)的特征提取過(guò)程,同時(shí)增強(qiáng)了模型對(duì)小目標(biāo)的檢測(cè)能力,奠定了智能目標(biāo)檢測(cè)算法的典型基礎(chǔ)架構(gòu)。

當(dāng)前,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)識(shí)別研究多圍繞可見(jiàn)光圖像和視頻展開(kāi),針對(duì)紅外圖像和SAR圖像也存在部分研究[9-10],但面向雷達(dá)回波數(shù)據(jù)的相關(guān)研究相對(duì)較少。雖然深度學(xué)習(xí)具有較強(qiáng)的特征提取能力,但需要較大的數(shù)據(jù)量作為算法的訓(xùn)練保障,否則將無(wú)法充分發(fā)揮其優(yōu)勢(shì)。

綜上所述,目前在雷達(dá)目標(biāo)識(shí)別方面主要面臨的問(wèn)題如下:

1)現(xiàn)階段雷達(dá)在復(fù)雜場(chǎng)景下目標(biāo)檢測(cè)識(shí)別手段嚴(yán)重不足,特別是在目標(biāo)分布密集、類(lèi)間特征區(qū)分度低的情況下,現(xiàn)有方法難以做到對(duì)識(shí)別目標(biāo)的準(zhǔn)確區(qū)分;

2)當(dāng)多個(gè)目標(biāo)間距離較近時(shí),難以對(duì)目標(biāo)做到精確定位,同時(shí)在高海情等較為復(fù)雜場(chǎng)景下,尤其是在目標(biāo)信號(hào)較弱、噪聲和雜波較強(qiáng)的情況下,無(wú)法定位目標(biāo);

3)數(shù)據(jù)的場(chǎng)景完備性難以保障,用于算法研究的訓(xùn)練數(shù)據(jù)與真實(shí)應(yīng)用場(chǎng)景的數(shù)據(jù)存在跨域問(wèn)題,并且數(shù)據(jù)量級(jí)較小,導(dǎo)致算法場(chǎng)景適應(yīng)性差。

基于上述描述,針對(duì)典型海背景環(huán)境下對(duì)海面目標(biāo)準(zhǔn)確識(shí)別的重大需求,本文將深度學(xué)習(xí)技術(shù)應(yīng)用到基于雷達(dá)回波的目標(biāo)檢測(cè)識(shí)別中來(lái),建立了基于復(fù)雜場(chǎng)景的樣本數(shù)據(jù)集,提出了一種基于少樣本的域自適應(yīng)雷達(dá)智能目標(biāo)檢測(cè)識(shí)別技術(shù),設(shè)計(jì)了基于特征金字塔的雙階段目標(biāo)檢測(cè)識(shí)別算法架構(gòu),充分挖掘神經(jīng)網(wǎng)絡(luò)的目標(biāo)定位和辨別能力,同時(shí)設(shè)計(jì)了域自適應(yīng)技術(shù)對(duì)源域和目標(biāo)域進(jìn)行特征配準(zhǔn),提高了對(duì)不同域目標(biāo)的精確定位和準(zhǔn)確識(shí)別能力,實(shí)現(xiàn)了不同域下對(duì)具有不封閉輪廓、多點(diǎn)散布目標(biāo)的精細(xì)化辨識(shí),達(dá)到提升復(fù)雜環(huán)境下識(shí)別能力的目的。

1 復(fù)雜場(chǎng)景樣本數(shù)據(jù)集

1.1 數(shù)據(jù)集構(gòu)建總體思路

圍繞復(fù)雜場(chǎng)景下基于雷達(dá)回波的智能目標(biāo)檢測(cè)識(shí)別具體需求,需要建立不同目標(biāo)分布形式和不同場(chǎng)景構(gòu)造(仿真數(shù)據(jù)和真實(shí)數(shù)據(jù))的樣本數(shù)據(jù)集以滿足算法模型的訓(xùn)練和測(cè)試驗(yàn)證需求。

樣本數(shù)據(jù)集按照“原始數(shù)據(jù)獲取-處理與標(biāo)注-數(shù)據(jù)集劃分”的步驟進(jìn)行構(gòu)建,由仿真數(shù)據(jù)和真實(shí)數(shù)據(jù)以RD(距離多普勒)時(shí)頻域數(shù)據(jù)的形式組成。其中仿真數(shù)據(jù)由全數(shù)字信號(hào)級(jí)仿真平臺(tái)生成,通過(guò)搭建多類(lèi)目標(biāo)RCS特性數(shù)據(jù)庫(kù)、電磁特性數(shù)據(jù)庫(kù)、海雜波特性數(shù)據(jù)庫(kù)形成用于生成數(shù)據(jù)的目標(biāo)特性數(shù)據(jù)庫(kù),同時(shí)搭建信號(hào)級(jí)回波仿真模型、典型雷達(dá)信號(hào)處理模型形成雷達(dá)回波生成模型,用于RD時(shí)頻數(shù)據(jù)的生成。

1.2 復(fù)雜場(chǎng)景構(gòu)建

數(shù)據(jù)集以包含各類(lèi)目標(biāo)和電磁特性的雷達(dá)RD時(shí)頻樣本數(shù)據(jù)為處理對(duì)象,復(fù)雜場(chǎng)景描述見(jiàn)下表1。

表1 復(fù)雜場(chǎng)景構(gòu)建方案

表2 樣本及標(biāo)注文件描述

其中仿真數(shù)據(jù)由全數(shù)字信號(hào)級(jí)仿真平臺(tái)生成,首先設(shè)定仿真參數(shù),其次生成雷達(dá)回波信號(hào),根據(jù)場(chǎng)景配置索引目標(biāo)特性數(shù)據(jù)庫(kù)、電磁特性數(shù)據(jù)庫(kù)和海雜波數(shù)據(jù)庫(kù),與參考信號(hào)卷積生成回波信號(hào),最后生成樣本數(shù)據(jù)和對(duì)應(yīng)標(biāo)注,雷達(dá)模型對(duì)回波信號(hào)進(jìn)行脈壓,輸出RD時(shí)頻數(shù)據(jù)。

圖1 仿真樣本示例

1.3 樣本生成

針對(duì)仿真數(shù)據(jù),通過(guò)其復(fù)雜場(chǎng)景的設(shè)置可生成對(duì)應(yīng)的標(biāo)注文件;針對(duì)真實(shí)數(shù)據(jù),通過(guò)采集時(shí)的相關(guān)設(shè)備計(jì)算得到對(duì)應(yīng)的標(biāo)注文件,具體形式如下:

2 檢測(cè)識(shí)別算法

針對(duì)識(shí)別中面臨的低信噪比、目標(biāo)分布稀疏、目標(biāo)特征判別性弱、目標(biāo)尺度小、背景復(fù)雜等難題,本方案以?xún)呻A段目標(biāo)檢測(cè)框架為基礎(chǔ),采用基于分離注意力的偏移區(qū)間配準(zhǔn)智能識(shí)別算法。

如圖2所示,首先針對(duì)給定雷達(dá)RD數(shù)據(jù),對(duì)其進(jìn)行抗幅度敏感性處理,然后將處理后的RD數(shù)據(jù)送入基于分離注意力的主干特征提取網(wǎng)絡(luò)提取整幅雷達(dá)RD圖像的特征,通過(guò)在殘差塊之間添加自頂向下的路徑,結(jié)合基于特征金字塔的多尺度特征融合網(wǎng)絡(luò),提取多個(gè)尺度且語(yǔ)義豐富的目標(biāo)特征,再采用基于候選區(qū)域?qū)R的目標(biāo)特征選擇網(wǎng)絡(luò)生成可能包含目標(biāo)的候選框,并將候選框映射到特征譜上,提取候選區(qū)域的特征信息,最后采用偏移區(qū)間分類(lèi)網(wǎng)絡(luò)Offset-Bin去實(shí)現(xiàn)精準(zhǔn)的目標(biāo)檢測(cè)識(shí)別和定位目標(biāo),輸出目標(biāo)的類(lèi)別、位置及置信度。

圖2 基于分離注意力的偏移區(qū)間配準(zhǔn)目標(biāo)檢測(cè)識(shí)別算法架構(gòu)圖

圖3 偏移區(qū)間配準(zhǔn)預(yù)測(cè)

2.1 數(shù)據(jù)抗幅度敏感性的預(yù)處理

雷達(dá)RD數(shù)據(jù)的幅度敏感性從理論上本應(yīng)是識(shí)別目標(biāo)時(shí)的有效特征,如果在完全相同的錄取條件下,屬于不同目標(biāo)的雷達(dá)RD數(shù)據(jù)幅度信息可以反映目標(biāo)尺寸大小等特性。然而這些條件在現(xiàn)實(shí)應(yīng)用場(chǎng)景中很難達(dá)到,即使是相同雷達(dá)面對(duì)相同目標(biāo),在以上多種因素的影響下仍然無(wú)法獲得回波強(qiáng)度一致的雷達(dá)RD數(shù)據(jù),從而導(dǎo)致了雷達(dá)RD數(shù)據(jù)的幅度敏感性。

針對(duì)雷達(dá)數(shù)據(jù)中幅度敏感性、目標(biāo)響應(yīng)值差異較大、分布稀疏等特點(diǎn),采用了歸一化、標(biāo)準(zhǔn)化及尺度放大、翻轉(zhuǎn)、平移、裁減、拼接等數(shù)據(jù)增廣策略,以擴(kuò)張數(shù)據(jù)集大小以及目標(biāo)分布多樣性,防止網(wǎng)絡(luò)過(guò)擬合。同時(shí),數(shù)據(jù)中距離和速度多普勒維表達(dá)了二維空間中的能量分布,強(qiáng)點(diǎn)特征較為明顯,可通過(guò)數(shù)據(jù)增廣的方式加強(qiáng)特征利用效率。

2.2 基于分離注意力機(jī)制的特征提取主干網(wǎng)絡(luò)

針對(duì)目標(biāo)特征判別性弱、類(lèi)間目標(biāo)易混淆的問(wèn)題,區(qū)別于傳統(tǒng)手工設(shè)計(jì)的特征,模擬人類(lèi)視覺(jué)信息處理機(jī)制。通過(guò)加入分離注意力模塊,基于智能識(shí)別經(jīng)典模型深度殘差網(wǎng)絡(luò)進(jìn)行修改,提升重要特征信息的提取權(quán)重,具有特征提取融合能力強(qiáng),泛化能力好等優(yōu)勢(shì),從而對(duì)于不同復(fù)雜程度的目標(biāo)和圖像都能提取語(yǔ)義豐富的特征,更容易區(qū)分目標(biāo)和噪聲。

根據(jù)目標(biāo)尺度小的特點(diǎn),基于自底向上的殘差網(wǎng)絡(luò)作為主干網(wǎng)絡(luò),通過(guò)添加自頂向下的路徑,對(duì)語(yǔ)義抽象的低分辨率特征譜上采樣,與細(xì)節(jié)豐富的高分辨率特征譜逐步融合,從而增強(qiáng)小目標(biāo)的特征判別性,解決多類(lèi)特征稀缺目標(biāo)難以區(qū)分的問(wèn)題。

2.3 基于特征金字塔的多尺度特征融合網(wǎng)絡(luò)

針對(duì)雷達(dá)RD數(shù)據(jù)中目標(biāo)距離域尺度小、特征不明顯的問(wèn)題,本文采用基于特征金字塔模型的多尺度特征融合網(wǎng)絡(luò)用于聚合骨架模型提取到的多尺度特征。所采用的經(jīng)典智能算法特征金字塔網(wǎng)絡(luò)具有特征融合能力強(qiáng)、對(duì)目標(biāo)尺度變化魯棒、計(jì)算復(fù)雜度低等優(yōu)勢(shì)。

2.4 基于偏移區(qū)間配準(zhǔn)的分類(lèi)網(wǎng)絡(luò)

針對(duì)精準(zhǔn)定位目標(biāo)的需求,本方案巧妙地將回歸問(wèn)題轉(zhuǎn)化為分類(lèi)問(wèn)題,基于不同偏移區(qū)間的輸出概率分布,采用偏移區(qū)間分類(lèi)網(wǎng)絡(luò)預(yù)測(cè)更精確的目標(biāo)位置。不同于傳統(tǒng)方法,目標(biāo)定位通常利用回歸網(wǎng)絡(luò)預(yù)測(cè)錨點(diǎn)框和真實(shí)框之間的偏移,由于不充分地懲罰往往導(dǎo)致了次優(yōu)的回歸和不精確的定位。

具體首先將連續(xù)地偏移范圍離散化為n個(gè)離散的偏移區(qū)間,其中每個(gè)區(qū)間的中值作為每個(gè)區(qū)間的表示偏移,從而構(gòu)建離散的偏移區(qū)間,再基于特征金字塔網(wǎng)絡(luò)提取的候選區(qū)域特征,預(yù)測(cè)偏移區(qū)間打分向量,則目標(biāo)定位能夠被轉(zhuǎn)化為多分類(lèi)問(wèn)題,使用交叉熵?fù)p失函數(shù)優(yōu)化定位網(wǎng)絡(luò)的學(xué)習(xí)。最后,通過(guò)計(jì)算期望值,將離散的偏移轉(zhuǎn)化為高精度的定位預(yù)測(cè),解決目標(biāo)間隔距離較近的問(wèn)題。

3 智能目標(biāo)識(shí)別算法

圖4基于少樣本的域自適應(yīng)雷達(dá)智能目標(biāo)檢測(cè)識(shí)別算法架構(gòu)圖在部分應(yīng)用場(chǎng)景中,真實(shí)數(shù)據(jù)的獲取成本是較高的。即使最終獲取到了數(shù)據(jù),由于數(shù)量不足,直接訓(xùn)練網(wǎng)絡(luò)會(huì)產(chǎn)生過(guò)擬合問(wèn)題。故在面對(duì)使用仿真數(shù)據(jù)訓(xùn)練、真實(shí)數(shù)據(jù)測(cè)試的背景下,設(shè)計(jì)基于梯度反轉(zhuǎn)層的域自適應(yīng)結(jié)構(gòu),并利用一致性約束保障不同數(shù)據(jù)域下分類(lèi)識(shí)別的正確性。

如圖4所示,基于少樣本的域自適應(yīng)雷達(dá)智能目標(biāo)檢測(cè)識(shí)別算法由左右兩部分組成,其中左邊部分為在雙階段架構(gòu)上改進(jìn)的基于特征金字塔的目標(biāo)檢測(cè)識(shí)別算法,由源數(shù)據(jù)域提供數(shù)據(jù)和標(biāo)注,學(xué)習(xí)檢測(cè)識(shí)別任務(wù);右邊部分為基于梯度反轉(zhuǎn)層的域自適應(yīng)結(jié)構(gòu),由源域和目標(biāo)域共同提供數(shù)據(jù),實(shí)現(xiàn)特征域?qū)?zhǔn)。

如圖5所示,源域提供數(shù)據(jù)和標(biāo)簽用于檢測(cè)任務(wù)的監(jiān)督學(xué)習(xí),目標(biāo)域提供數(shù)據(jù),并聯(lián)合源域極少部分的數(shù)據(jù)對(duì)特征進(jìn)行配準(zhǔn)。

圖5 域自適應(yīng)示意圖

圖6 測(cè)試結(jié)果樣例

網(wǎng)絡(luò)優(yōu)化時(shí),一方面域分類(lèi)器要盡可能區(qū)分特征所屬的數(shù)據(jù)域,另一方面讓提取到的特征迷惑域分類(lèi)器。隨著對(duì)抗過(guò)程的持續(xù),源域和目標(biāo)域特征逐漸靠近。配準(zhǔn)之后,利用源域數(shù)據(jù)學(xué)習(xí)得到的分類(lèi)界面也能夠適用于目標(biāo)域數(shù)據(jù)。

4 仿真校驗(yàn)

該項(xiàng)任務(wù)為二分類(lèi)任務(wù),即定位、分辨出目標(biāo)和背景,故選用F1 Score作為評(píng)判標(biāo)準(zhǔn)。根據(jù)所建數(shù)據(jù)集進(jìn)行訓(xùn)練測(cè)試,測(cè)試環(huán)境為Ubuntu 16.04.6 LTS,GPU加速集群為Nvidia Tesla A100,CUDA版本號(hào)為10.2。

4.1 偏移區(qū)間配準(zhǔn)的檢測(cè)識(shí)別算法驗(yàn)證

基于訓(xùn)練數(shù)據(jù),針對(duì)基于特征金字塔的雙階段目標(biāo)檢測(cè)識(shí)別算法在測(cè)試場(chǎng)景1～3上進(jìn)行測(cè)試,同時(shí)設(shè)置基于CFAR的傳統(tǒng)方法得分作為基準(zhǔn)線,具體結(jié)果如表3。

表3 各場(chǎng)景測(cè)試結(jié)果

經(jīng)過(guò)測(cè)試分析說(shuō)明:在仿真場(chǎng)景下,相較傳統(tǒng)方法,該算法模型在測(cè)試集內(nèi)可以達(dá)到較高的目標(biāo)識(shí)別精度,尤其在假目標(biāo)強(qiáng)度數(shù)倍于真目標(biāo)和低于目標(biāo)強(qiáng)度的情況下,能夠做到目標(biāo)的準(zhǔn)確識(shí)別,證明了智能識(shí)別網(wǎng)絡(luò)的有效性,這有望解決各類(lèi)復(fù)雜場(chǎng)景應(yīng)用中目標(biāo)誤識(shí)別的難題。

4.2 基于少樣本的域自適應(yīng)算法驗(yàn)證

基于訓(xùn)練數(shù)據(jù),針對(duì)基于少樣本的域自適應(yīng)雷達(dá)智能目標(biāo)檢測(cè)識(shí)別算法在測(cè)試場(chǎng)景4中進(jìn)行測(cè)試,同時(shí)設(shè)置基于直接模型訓(xùn)練微調(diào)方法的得分進(jìn)行對(duì)比,目標(biāo)域全部訓(xùn)練集為1000個(gè),與仿真數(shù)據(jù)訓(xùn)練集個(gè)數(shù)對(duì)應(yīng),具體測(cè)試結(jié)果如圖7。

圖7 數(shù)據(jù)跨域場(chǎng)景下的測(cè)試結(jié)果

經(jīng)過(guò)測(cè)試分析說(shuō)明:在目標(biāo)任務(wù)數(shù)據(jù)量不足的情形下,可以借助其他數(shù)據(jù),利用域自適應(yīng)方法提升目標(biāo)任務(wù)的性能,通過(guò)與直接模型訓(xùn)練微調(diào)的結(jié)果對(duì)比也證明了該方法的有效性。目標(biāo)任務(wù)數(shù)據(jù)量大小會(huì)影響到最終的性能,條件允許的情況下需要盡可能多地提供目標(biāo)域的訓(xùn)練數(shù)據(jù),保證目標(biāo)任務(wù)的效果。

5 結(jié)論

針對(duì)雷達(dá)回波智能目標(biāo)識(shí)別技術(shù)進(jìn)行了研究,建立了復(fù)雜場(chǎng)景樣本數(shù)據(jù)集,提出了基于少樣本的域自適應(yīng)雷達(dá)智能目標(biāo)檢測(cè)識(shí)別算法,進(jìn)行了算法模型的訓(xùn)練和測(cè)試,證明了算法在仿真數(shù)據(jù)集上達(dá)到了較好的效果,同時(shí)在面臨數(shù)據(jù)跨域時(shí),使用少量樣本即可較大幅度提高算法的檢測(cè)識(shí)別精度。

驗(yàn)證了深度學(xué)習(xí)在雷達(dá)回波數(shù)據(jù)目標(biāo)檢測(cè)識(shí)別任務(wù)上的可行性,相比傳統(tǒng)雷達(dá)檢測(cè)識(shí)別算法,能夠有效提取各類(lèi)目標(biāo)間更深層次的細(xì)微差異特征,從而達(dá)到較好的分類(lèi)識(shí)別效果。同時(shí),深度學(xué)習(xí)太過(guò)依賴(lài)于數(shù)據(jù)本身,導(dǎo)致在較差數(shù)據(jù)保障的應(yīng)用條件下,算法模型常常面臨場(chǎng)景適應(yīng)性不足的問(wèn)題,由于特征的自學(xué)習(xí),也帶來(lái)了算法性能邊界條件模糊不清,識(shí)別對(duì)錯(cuò)原因無(wú)法溯源的問(wèn)題,這些問(wèn)題成為了深度學(xué)習(xí)在低容錯(cuò)場(chǎng)景下應(yīng)用必須要翻越的“大山”,也是作者后續(xù)的研究方向。

在后續(xù)工作中,將研究算法泛化能力,尤其是在面向更多實(shí)測(cè)數(shù)據(jù)時(shí)算法的魯棒性問(wèn)題,同時(shí)形成實(shí)測(cè)與仿真的數(shù)據(jù)集構(gòu)建閉環(huán),深化對(duì)算法與數(shù)據(jù)遷移方面的技術(shù)研究,逐漸摸清算法的性能邊界,持續(xù)提升算法模型的健壯性。