论文部分内容阅读
SAR图像目标识别即从SAR图像中提取特征,确定目标的类别属性,具有广泛的军事与民用价值,可应用于战场监控、引导攻击、打击效果评估、海洋资源探测、环境地貌监测及自然灾害评估等,是国内外研究的热点问题。卷积神经网络(Convoluional Neural Networks,CNN)是一种重要深度学习模型,包括多层卷积层和池化层,成功模仿了生物神经元的感知过程,尤其适合图像的智能解译,已经在光学领域的图像目标检测、目标识别中取得了良好的效果。因此,研究基于CNN的SAR目标识别技术,对于推动SAR自动目标识别(Automatic Target Recognition,ATR)技术的发展具有重要意义。本文围绕基于CNN的SAR目标识别问题,重点研究了小样本数据集下的基于生成对抗网络的SAR目标识别算法和基于单次多框检测器(Single Shot MultiBox Detector,SSD)的SAR目标检测识别一体化算法。主要内容为:1、针对小样本SAR数据集导致的CNN模型过拟合问题,研究了生成对抗网络模型。利用生成对抗网络模型扩充原始的SAR图像集,缓解训练样本不足而导致的模型泛化能力下降的问题。2、针对SAR目标外形配置改变、成像俯仰角变化较大等扩展条件下,CNN模型识别性能差的问题,建立了一种改进池化的CNN模型,可以在不显著提高算法复杂度的前提下,有效提高CNN模型在多种扩展条件下的识别性能。3、针对常规的SSD目标检测识别算法无法自动设置默认框尺寸的问题,提出一种基于kmeans的默认框尺寸设置算法。通过kmeans算法对训练样本数据进行聚类,自动完成针对特定目标识别问题的默认框尺寸设置,提高算法的识别性能。4、针对常规的SSD目标检测识别算法在SAR图像上存在检测识别性能差的问题,构建了一种基于特征融合SSD网络模型结构。该模型结构摒弃传统SSD算法只采用高层特征图的模式,通过特征融合方式生成辅助的特征图,有效提高了其在SAR图像目标上的识别精度和速度。以上内容已通过仿真实验验证可行性,能够实现准确高效的SAR图像目标识别。