论文部分内容阅读
近年来,许多深度神经网络的出现及广泛应用吸引了各界人士的注意力,这是一类新的信号处理的算法,在计算性能和算法的优化上有很多的优点。自然而然,这类算法也被陆续用在了合成孔径雷达(Synthetic Aperture Radar,SAR)图像的自动目标识别问题上,SAR目标识别问题类似图像分类问题,是利用大量有标签数据集来标定未知标签样本的过程。由于SAR图像独特的成像机理,SAR图像包含的信息比较丰富,同时也伴随着巨大的斑点噪声,这使得SAR图像分类识别问题的难度增加。而深度神经网络的好处是可以捕获数据更丰富更本质的特征。本文主要基于卷积神经网络,生成对抗网络及卷积生成对抗网络进行了SAR目标识别,具体工作如下:1.提出改进预处理策略的卷积神经网络(Convolutional Neural Network,CNN),在分析了传统CNN模型的参数意义后,本文提出使用边缘检测算子中的Sobel算子和Prewitt算子的多个方向的卷积核来初始化CNN网络的初始卷积核参数。经过在运动与静止目标的获取与识别数据(Moving and Stationary Target Acquisition and Recognition,MSTAR)数据集上的验证,使用这种有一定意义的卷积核初始化网络参数对网络的收敛速度及识别效果有很大帮助。实际应用中,训练样本的数量往往有限,于是本文提出进行有监督的预训练,使用一种数据集进行有监督训练,将得到的网络参数初始化另一种SAR数据集的网络参数。这也可称为迁移学习。这种预训练的策略可以提高网络的收敛速度,改善识别效果。2)基于生成对抗网络(Generative Adversarial Networks,GAN)进行目标识别的研究。首先考虑训练样本不足的问题,对实验数据进行了样本扩充,在训练样本中加入了目标不同方向的信息,使得样本集更丰富。本文研究了带有匹配特征的生成对抗网络的效果,并对不同参数的选取对识别结果的影响作了进一步分析。通过有监督及半监督的目标识别实验,对比分析了识别时样本标签的重要性及必要性。3)基于深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)进行目标识别的研究。由于图片信息在空间邻域里存在一定的相似性,我们采用了更适合提取图像特征的卷积GAN。同样考虑到样本数量的不足,我们对实验数据加入了不同方向的变换信息。在此基础上我们通过有监督实验分析了卷积生成对抗网络的不同参数对识别结果的影响,同时对生成器的生成图片质量也作了分析。通过与传统浅层学习算法的对比验证了深度学习网络的优越性。