论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波传感器,基于SAR图像的目标识别技术在军事和民用两方面具有广泛的应用。随着深度学习理论的快速发展,研究学者开始将深度学习,尤其是深度卷积神经网络(Convolutional Neural Network,CNN),应用于 SAR 图像目标识别。将CNN用于SAR图像目标识别时,由于SAR图像获取费用高、可用数据少,且CNN模型参数较多,因此如何通过正则化方法提高模型的泛化能力是需要研究的重点问题之一。对差异较小的目标进行识别,如同一类目标的不同子型号,即变体情况,相关研究较少且识别精度较低,如何对CNN模型进行优化是提高识别精度的关键。本文针对上述问题展开研究,主要内容如下:首先,基于MSTAR数据集,研究了标准操作条件下数据增强、Dropout和L2正则项3种正则化技术对SAR目标识别精度的影响。实验结果表明,基于增强后的数据训练模型,通常能够极大地提高模型的识别精度;使用AlexNet系列和ResNet模型进行SAR目标识别时,采用Dropout可大大提高模型的泛化能力,其中ResNet系列模型对噪声的敏感性小于其它CNN模型。加入L2正则项可以提高基于Highway网络的模型测试精度,但会使得最后阶段的训练不稳定。然后,为极大限度地保留SAR图像的输入信息,基于多尺度空间特征提取策略和DenseNet模型设计思想提出了一种适用于SAR变体目标识别的CNN模型。多尺度空间特征提取模块置于网络底层,通过使用尺寸分别为1×1,3×3,5×5,7×7,9×9的卷积核,提取丰富空间特征的同时保留了输入图像信息。为使该信息更有效地向后传递,基于DenseNet模型的稠密块和转移层设计后续模型结构。实验结果表明,在对训练样本进行数据增强的情况下,设计的模型对T72 8类变体目标识别取得了 95.48%的精度,在存在目标平移和不同噪声水平情况下平均识别精度分别达到了 94.61%和86.36%。在标准操作条件下,提出的模型分别达到了 99.38%和98.81%的识别精度,略优于目前文献中提出的模型识别精度。最后,对本文进行了总结与展望。