论文部分内容阅读
合成孔径雷达（Synthetic Aperture Radar,SAR）是一种主动遥感载荷,通过收发电磁波完成全天时、全天候的大范围地表信息采集,因此被广泛应用于农业普查、灾害监测和战场侦察等许多领域。SAR图像中目标的强度反映了其雷达回波信号的强弱,表征了目标的后向散射特性,这为SAR目标自动识别提供了有效的信息来源和数据。然而,SAR独特的成像机制和图像特点,制约了SAR目标检测与识别算法的性能和泛化性,特别是大场景下弱小目标的检测和识别。本文以大场景下SAR弱小目标检测与识别的实际应用需求为导向,结合SAR的数据特性和深度神经网络的方法特性,围绕SAR自动目标识别中目标尺度小、目标响应弱和目标样本小等弱小目标的检测识别难题展开了研究。本文的研究工作和成果如下:（1）针对复杂场景下SAR目标尺度小易漏检的难题,提出了一种基于修正巴氏距离的SAR小尺度目标检测方法。首先,针对小尺度目标像素信息少易漏检的问题,利用内容感知特征重组的特征金字塔聚合深层特征的语义信息,增强浅层特征的判别性。其次,针对小尺度目标定位要求高,现有方法对位置偏差敏感的问题,提出了修正巴氏距离准确度量边界框关系。最后,针对小尺度目标定位精度低,模型难优化的问题,构建了多阶段的级联检测器,分步优化整个模型。实验结果表明,提出方法在LS-SSDD-v1.0数据集上显著改善了小尺度目标的检测效果,召回率达到84.4%,交并比阈值0.5下的平均精度达到76.6%。（2）针对复杂场景下SAR目标响应弱易漏检和虚警的问题,提出了一种基于局部变异系数显著图递阶引导的SAR弱响应目标检测方法。具体来说,针对弱响应目标在图像中不显著的问题,扩展了变异系数抑制图像中的背景杂波,改进了中心-周边差分算法生成显著图。针对弱响应目标与部分背景高度相似,模型难收敛的问题,构建了一种分层提取和融合SAR图像与显著图特征的SAR弱响应目标检测器。实验结果表明,所提出方法有效提升了弱目标的检测性能,在mini SAR数据集上检测精度和召回率分别达到96.8%和96.0%,在FARADSAR数据集上检测精度和召回率分别达到85.7%和85.2%。（3）针对复杂场景下SAR图像目标样本受限的问题,提出了一种基于特征度量的SAR小样本目标快速识别方法和一种基于知识继承的高可塑性SAR小样本目标增量识别方法。首先,针对小样本目标数据不完备的问题,构建了一种多任务约束的深度度量网络模型,解决了现有基于度量学习的方法依赖支持样本、鲁棒性差和预测耗时的问题。其次,针对小样本目标无典型范例的问题,利用牧群算法选择和管理目标范例,缓解灾难性遗忘问题。最后,针对小样本目标在增量识别场景下的模型难扩展的问题,提出了知识继承模块用于旧模型识别能力迁移,显著提升了模型稳定性,使用非结构剪枝初始化新模型参数,有效增强了模型的自适应。提出的小样本快速识别方法在每类目标仅使用20个训练样本的情况下的识别准确率达到83.26%,预测耗时1.16s。提出的小样本增量识别方法在三种增量识别场景下的准确率分别为93.6%、94.1%和95.1%,最后一个任务的训练耗时为61.7s、43.7s和63.1s。