论文部分内容阅读
在日常的生产生活、经济发展乃至国家安全等方面,SAR图像目标识别一直有着广泛及深刻的应用,所以研究SAR图像的目标识别技术有着重要的意义。本论文就是以现实需求为大的背景,围绕着SAR图像目标识别的方法进行研究。本论文将从以下几个方面展开研究工作:1、对于传统的SAR图像目标识别技术及其发展进行了详细的分析,了解整个目标识别过程的优点及缺点。同时明确了在整个过程中可以改进的地方,即特征提取部分。此外,对于深度学习技术及其发展进行了详细的分析,明确了可以将深度学习技术应用到SAR图像的目标识别任务上。在此基础上,引入了端到端的概念,即基于神经网络算法的模型来进行SAR图像的目标识别。2、在普通的全连接神经网络的基础上,进一步使用了基于卷积单元的神经网络模型来进行SAR图像的目标识别,并在MSTAR数据集上使用SOC和EOC-1条件下的数据去验证模型的效果。除了搭建的模型不同之外,改进之处还包括对模型最后的特征输出层到分类器中间的连接,由传统的全连接变为了卷积连接,并在数据集上做了两者的比较比较识别效果,发现最后为卷积层的模型识别正确率较高,验证了本章改进模型的有效性。3、在卷积神经网络的基础上进行优化,使用了基于残差单元的神经网络模型来进行SAR图像的目标识别,并在MSTAR数据集上使用SOC和EOC-1条件下的数据去验证模型的效果,并与前章所述的方法进行了比较。同时,为了增加模型的鲁棒性和泛化能力,所做的改进是将前章与本章的所述的模型进行融合,发现融合后的模型的识别正确率较高,验证了本章使用的方法可以增加模型的识别正确率。4、在基于残差单元的网络基础上再次进行优化,使用了基于密集卷积单元的神经网络模型对进行SAR图像的目标识别,并在MSTAR数据集上使用SOC条件下的数据去验证模型的效果。但是得到的识别结果不是非常理想。5、对全文的使用的算法进行了总结,并对今后在SAR图像目标识别的研究方面进行了展望。本论文在对SAR图像目标识别算法上进行了研究并做了改进,比较了不同模型下的实验效果,对SAR图像目标识别技术的发展有着一定的意义。