论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种基于飞机、卫星、宇宙飞船等多种平台的主动式对地观测系统,能全天时、全天候对地面进行观测。随着SAR系统与成像技术的不断进步与完善,大量的SAR图像需要处理,因此从众多基于复杂场景的图像中获取特征信息并应用于目标分类和识别成为了 SAR图像解译领域的研究趋势。SAR图像目标识别研究主要基于特征提取方面,传统的目标识别方法提取的特征大多基于人工设计,需要大量的实验基础和专业领域知识,并且由于这些特征都是基于目标的底层视觉特征,无法充分表征目标的本质属性,因此在很多情况下无法获得有用的特征,导致目标识别效果不佳。深度学习作为一种基于对数据进行表征学习的机器学习方法,可以有效地克服传统图像目标识别方法的局限性,近年来成为了研究热点。本文基于深度学习方法对SAR图像目标识别进行研究,主要工作如下:(1)针对SAR图像的目标识别问题,提出了一种改进的基于卷积神经网络的图像分类算法。为克服卷积神经网络训练过程中因数据量不足而出现的过拟合问题,采用数据增强人工增加训练样本的大小;针对高层卷积层参数过多的问题,采用一种多尺度卷积模块替代高层的卷积层;在输出层采用卷积和全局均值池化的组合替代传统的全连接层,大幅度减少了网络参数。网络训练阶段,通过误差反向传播来更新网络参数。针对MSTAR数据集地面静止SAR图像目标分别进行识别与分类,实验结果表明该算法实现了较好的目标识别性能。(2)针对卷积神经网络中因网络参数随机初始化和参数过多导致的收敛速度慢及过拟合的问题,提出了一种基于迁移学习监督式预训练的卷积神经网络。首先,引入迁移学习的思想,采用小规模数据集作为源域的训练样本,针对源域中源任务进行监督式训练得到预训练模型;然后,构建一个多层的卷积神经网络作为目标域中目标任务的待训练网络,将源域中获得的预训练模型作为该网络的初始参数,大规模数据作为目标域的训练样本进行网络的微调,通过这种基于特征选择的迁移学习,实现源域到目标域的特征知识迁移;针对卷积神经网络中全连接层参数过多的问题,采用卷积层替代全连接层。实验结果表明该算法有效地提升了收敛速度和识别精度。