论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar)是一种全天时、全天候工作的成像雷达,其获取的SAR图像能够应用到各个领域。因此,SAR图像的目标识别方法是雷达研究领域的一个热点。此外,得益于硬件算力的巨大提升,深度学习算法近来开始在各个领域展露头角。本文在简单介绍了经典SAR目标检测算法之后,将深度学习领域中的Faster R-CNN引入到SAR图像目标的检测、识别问题,并围绕此问题开展了如下工作:1、针对SAR图像的数据量匮乏的问题,本文通过对比生成样本和原样本的灰度直方图的巴氏距离、余弦值、余弦夹角,验证了DCGAN(Deep Convolution Generative Adversarial Networks)能够生成有效的样本数据集。并分别运用DCGAN和传统的数据增强的方法对基本数据集进行扩充。2、针对深度学习中超参数难以设置的问题,本文分别研究了3种池化方法,6种卷积核尺寸,4种激活函数,7组损失函数系数,3组Anchor尺寸对实验效果的影响。并选择了其中最优的设置来进行后续实验。3、针对常规Faster R-CNN算法难以训练、下降缓慢的问题,本文提出使用Resnet代替VGG网络完成基础卷积网络的赋值,并运用一种新的损失函数,解决了训练过程中的样本失衡问题。使得网络中的梯度消失问题减少,样本趋于平衡,算法更具鲁棒性。4、针对常规Faster R-CNN算法难以识别较小目标的问题,本文提出了在常规模型结构的基础上增加了FPN(Feature Pyramid Networks)层的方法,摒弃了传统的单一特征图的模式,综合各个层级的特征图优势。并设置实验验证了此法的有效性。最后证明了本文所提出的改进的Faster R-CNN算法能够有效地识别SAR图像目标。相对于传统的Faster R-CNN,将目标的识别率提升到了97.63%。