前言
探地雷达(GPR)是一种广泛应用于土木工程、地质工程和地质灾害监测的探测地下的方法，通过利用电磁波在不同介质之间的不同反射特性来探测和识别地下物体，GPR 通常沿测线采集高分辨率 B-Scan 雷达图，然而 B-Scan 雷达图在检测到目标响应时会伴有因不均匀地表的强反射、地下土层界面的回波以及发射和接收天线之间直接耦合所产生的杂波，有的杂波甚至掩盖了目标相应，严重影响了目标检测算法的性能。随着深度学习以及大模型的普及，人们开始尝试将其应用到探地雷达图像去杂波任务中。
基于深度学习的探地雷达图像去杂波
凭借强大的特征表示和学习能力，基于深度学习的方法已被广泛用于解决探地雷达杂波去除任务。由于 GPR 数据具有波速变化和反射不连续性等特性，可能需要大量的标记数据才能训练出准确的模型。这意味着需要花费更多的时间和资源来收集和标记数据，并且模型结构相对复杂，为降低其运算时间，我们主要采用两种方法来提升模型速度：减小图片大小和降低模型复杂度。减小图片大小可以最直接地减少运算量，但是图像会丢失掉大量的细节从而影响精度。降低模型复杂度则会导致模型的特征提取能力减弱，从而影响分割精度，使可视化效果不理想。
而近年来提出的轻量双向分割网络 BiSeNetV2 采用双路径架构分别处理表层空间细节和深层语义，然后对二者的特征数据进行融合不但可以充分利用多尺度和多层次的特征信息，提高模型的准确性和鲁棒性；而且凭借其双路径大大降低了模型的复杂度。该网络即使在标记数据较少的情况下进行训练也可保持极高的准确性和效率。但是该网络处理我们的 GPR 图像杂波抑制任务时，因为 GPR 图像的特殊性，杂波抑制效果还不理想。
在此基础上的弹性残差 BiSeNetV2 网络则可以很好的解决这个问题。该网络结合了全局上下文信息和局部特征信息，通过高效的多尺度融合策略提高了 GPR 图像的分割鲁棒性、准确性以及计算效率。
弹性残差模块引入多项式函数，根据任务所需的通道比例来调节参数，使得模块可以自适应的调节残差块内卷积核大小，从而更好地拟合非线性变化以达到有效去除 GPR 图像中杂波的目的。同时弹性残差块的加入能够在在几乎不影响网络时间复杂度的情况下更有效的将有用的特征信息进行提取，避免了网络层数增加到一定程度后会出现梯度消失的问题，增强了网络的鲁棒性，并为后续增加网络层数提高网络性能提供了保证 。
该网络中还加入了一种只涉及少量参数的高效通道注意力（ECA）机制，该方法将 SE 注意力机制的压缩降维方式进行改进，节省了压缩降维消耗的时间。转而采用能使网络提取到更多通道间依赖关系的 1 维卷积局部跨通道交互方式。该方法可以根据通道数自适应地选择 1 维卷积的核大小，以确定本地跨信道交互的覆盖范围, 使得网络能够有效地学习到不同通道之间的相关性。通道中提取的是图像中的特征，这些特征可以通过卷积和池化等操作从原始数据中提取出来。它可以根据每个空间位置的重要性自适应地对特征进行加权，加强有用信息的传递，从而提高网络的准确性。此外，该网络沿用了轻量化思想，使用了弹性残差模块和 ECA 注意力机制，可以在保持分割性能的同时使用更少的网络参数和计算量来实现更好的性能，这种轻量化的设计可以使得该网络在处理 GPR 数据时更加高效和实用。
感受
经过一年的工作和学习，我发现深度学习已经逐步融入到了我们的日常生活以及科技发展中，希望这项技术能够对我们的生活带来更大的改变。