论文部分内容阅读
合成孔径雷达(synthetic aperture radar,SAR)由于具有全天时、全天候等优点,被广泛应用于战略侦察、海洋监视、成像制导、毁伤评估等多个领域。目前在SAR图像的舰船检测识别领域,传统算法仍占据主导地位,但难以捕捉目标的更为丰富、更深层次的特征,在实际应用中仍存在诸多问题。得益于硬件算力的提升与数据量的增长,深度学习技术对目标检测与识别的能力在近年来得到了大幅提升,在大规模数据集竞赛的表现均已大幅领先传统算法。本文将深度学习技术的最新研究成果引入到SAR舰船目标识别领域,并开展了以下四个方面的工作:1、使用基于区域建议的卷积神经网络实现SAR图像中微尺度舰船的检测识别。首先分析了Faster R-CNN及其改进方法R-FCN在图像检测与识别的算法框架,为实现在SAR图像上进行舰船检测识别,结合SAR舰船图像特征并针对存在的微尺度问题提出了改进。最后使用3种网络模型ZF-net、VGG-16、ResNet-50,分别使用改进方法实现了的SAR舰船检测识别,并做出实验验证算法能力。2、由于深度学习对数据量的需求极大,结合敌对舰船目标非合作性所导致的样本不易获得的实际情况,本文提出使用生成对抗网络合成SAR舰船图像,最后成功使用深度卷积生成对抗网络生成了高还原度的SAR舰船图像。为解决在小样本情况下的样本生成问题,对原方法提出改进,并成功实现了在250个样本情况下高仿真舰船图像生成。3、提出了小样本情况下基于深度学习的SAR微尺度舰船检测识别方法,该方法使用了改进后的R-CNN算法对SAR图像进行舰船检测识别,并使用深度卷积生成对抗网络在样本不足的情况下对训练集进行样本增广以提升算法性能。通过实验验证了该方法的可行性,成功实现了在样本数量受限的情况下对微尺度目标的准确检测与识别。4、根据本文所提出方法,基于降低该方法工程应用中的操作难度的目的,设计并开发了SAR舰船目标识别训练系统,一体化实现了该方法的模型训练与测试,通过对算法的封装与图形化界面,使得所提出方法具备了工程应用能力,同时交互界面友好且易于操作。