基于深度学习和决策树的SAR图像目标识别技术研究
发布时间：2021-08-12 12:31
合成孔径雷达（Synthetic Aperture Radar,SAR）由于其独有的特点,利用回波的信号进行采集图像,使其能够不受外界条件的干扰进行一定穿透性的探测,因此,在实际应用中具有很大的使用价值。然而由于其图像解译成本较高,使得SAR自动目标识别研究具有很大的价值。随着研究的深入,目前在传统方法上的研究已经使SAR目标识别遇到了瓶颈。近年来深度学习在各个领域的应用,也使得在SAR目标识别领域取得了更好的结果。然而由于数据量的限制,在小样本的条件下,基于深度学习的SAR目标识别遇到了新的挑战。为了能够增强目标识别的方法,我们从特征增强以及集成学习策略两方面来解决有限样本的问题,进一步研究了基于深度学习和决策树的SAR图像目标识别方法。本文的主要内容如下:首先,在深入分析了传统SAR图像目标识别的方法以及存在的不足后,将深度学习的方法应用到SAR图像目标识别中。进而分析了在有限样本条件下,深度学习方案的不足。然后,在小样本的限制条件下,为了更好的增强特征提取方法,将多层级联网络的方法引入SAR目标识别中。通常情况下,高层次的特征比中低层次的特征更全面、更具区分性,通常被用来进行类别...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
图２－１卷积计算示意图??Ｆｉｇｕｒｅ?２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｃａｌｃｕｌａｔｉｏｎ??
?第二章ＳＡＲ自动目标识别基础理论???ｊ１．．．．．．．．ｂｐｎ?Ｉ?ｗ?Ｉ?ｘ??—ｃ?ｆ?ｇ?ｈ???ａｂｅｄ?ｙ?ｚ??ａｗ＋ｂｘ－ｉ－？ｙ＋?ｂｗ＋ｃｘ＋ｌｙ＋?ｃｗ＋ｄｘ＋ｇｙ＋????１Ｌ＿???ｅｗ＋ｆｋ＋ｌｙ＋ｊ?ｆｗ＋ｇｘ＋ｊｙ＋ｌ＜?ｇｗ＋ｈｘ＋ｋｙ＋??ｚ?ｚ?ｉｚ??图２－１卷积计算示意图??Ｆｉｇｕｒｅ?２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｃａｌｃｕｌａｔｉｏｎ??卷积神经网络与传统的祌经网络相比，使用卷积运算替代全连接的乘法，可以实??现稀疏交互、参数共享、平移不变性等优点［５０］。??传统的神经网络使用全连接层的方式进行网络互连，这种运算方式会使层与层之??间的节点都产生关联。通过矩阵运行，使得每个节点都是必不可少的。这样会造成网??络中参数的冗余，并且增大了运算量。卷积神经网络中的卷积核运算时，通过核矩阵??使得层间的变量交互只集中在卷积核上，这样不仅减少了参数量，而且使得层与层之??间的连接只有卷积核这几个变量，就大大的缩减了参数量？。卷积神经网络缩减了参??数量及运算量，从而降低了模型的存储以及计算复杂度。??卷积神经网络由于使用卷积核进行运算，在同一层中的卷积核使用的是相同的参??数，并且使用的是相同的卷积核遍历图像的不同位置。这样在参与图像的运算时，使??用的参数量是固定的，与图像的大小无关。然而传统的神经网络由于使用的是全连接??的方式进行运算，这样在运算时需要与每个上层的节点进行计算，并且没个参数都是??独立，不同的位置使用的是不同的参数％。???＞??图２－２卷积的参数共享示意图??Ｆｉｇｕｒ
慢，因此深度学习的训练基本都是在ＧＰＵ上进行。早期的设备受限，因此为了在??有限的资源中训练，使用分组卷积来替换原本的卷积。分组卷积重要的特点就是分组，??即把输入的特征图像进行分开重组，然后再分别进行卷积，最后再经过全连接层拼接??起来。??Ｉｎｐｕｔ?Ｏｕｔｐｕｔ?Ｉｎｐｕｔ?Ｏｕｔｐｕｔ??Ｆ？ａｔｕｒ？ｓ?Ｆｅａｔｕｒｅｓ?Ｆｅａｔｕｒｅｓ?Ｆｅａｔｕｒｅｓ??每?｜?ｄ??Ｉ?：：?Ｖ￣＾?ｆ?｜；ｒ＾＾ｐｒ?！??ｆ?４?ｚ—？７?ｉ??！＾＝ＺＪ??图２－３分组卷积示意图??Ｆｉｇｕｒｅ?２－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｇｒｏｕｐｅｄ?ｃｏｎｖｏｌｕｔｉｏｎ??分组卷积在ＡｌｅｘＮｅｔ?２０１２年Ｉｍａｇｅｎｅｔ的冠军方法中被提出，其训练可以同时??在２块ＧＰＵ上并行进行，因此训练较快。从参数量的计算方法来统计，同时可以缩??减参数量。假如输入特征图的尺寸为Ｃ＊Ｈ＊Ｗ，卷积核尺寸为Ｃ＊Ｋ＊Ｋ，同时卷积核??为Ｎ个，这样卷积核的总参数量为Ｎ＊Ｃ＊Ｋ＊Ｋ个。这样计算参数量的方法为大约统??计，并没有考虑相关的卷积步长与ｐａｄｄｉｎｇ长度。如果使用的是分组卷积方式，首先??１４??
【参考文献】：
期刊论文
[1]基于深度学习的雷达图像目标识别研究进展[J]. 潘宗序,安全智,张冰尘. 中国科学:信息科学. 2019(12)
[2]稳健高效通用SAR图像稀疏特征增强算法[J]. 杨磊,李埔丞,李慧娟,方澄. 电子与信息学报. 2019(12)
[3]基于SAR目标识别的深度学习方法[J]. 郝岩,白艳萍,张校非. 火力与指挥控制. 2019(10)
[4]基于深度学习的SAR图像目标识别算法[J]. 崔福彬,张茜,雷俞承志,尹伟石. 长春理工大学学报(自然科学版). 2019(04)
[5]基于改进粗糙集理论的SAR图像目标增强[J]. 朱鸣,杨百龙,何岷,陈铮铮,张雄美. 计算机工程与应用. 2019(16)
[6]基于非下采样Shearlet变换与模糊对比度的合成孔径雷达图像增强[J]. 郭庆荣,贾振红,杨杰,Nikola KASABOV. 计算机应用. 2018(09)
[7]基于数值散射模拟与模型匹配的SAR自动目标识别研究[J]. 周雨,王海鹏,陈思喆. 雷达学报. 2015(06)
[8]基于Gabor滤波器和局部纹理特征提取的SAR目标识别算法[J]. 王璐,张帆,李伟,谢晓明,胡伟. 雷达学报. 2015(06)
[9]基于多信息字典学习及稀疏表示的SAR目标识别[J]. 齐会娇,王英华,丁军,刘宏伟. 系统工程与电子技术. 2015(06)
[10]地面车辆目标识别研究综述[J]. 李开明,张群,罗迎,梁必帅,杨小优. 电子学报. 2014(03)
博士论文
[1]SAR图像质量评估及其目标识别应用[D]. 张倩.中国科学技术大学 2011
[2]合成孔径雷达图像目标识别技术研究[D]. 胡利平.西安电子科技大学 2009
[3]极化雷达成像及目标特征提取研究[D]. 代大海.国防科学技术大学 2008
[4]合成孔径雷达回波信号模拟研究[D]. 岳海霞.中国科学院研究生院（电子学研究所） 2005
[5]合成孔径雷达图像分类与目标检测技术研究[D]. 付信际.中国科学院研究生院（电子学研究所） 2005
[6]高分辨率SAR图像自动目标识别方法研究[D]. 张翠.国防科学技术大学 2003
[7]合成孔径雷达动目标检测和成像研究[D]. 郑明洁.中国科学院研究生院（电子学研究所） 2003
[8]SAR图像目标特征提取与分类方法研究[D]. 计科峰.中国人民解放军国防科学技术大学 2003
[9]干涉合成孔径雷达成像技术研究[D]. 穆冬.南京航空航天大学 2001
硕士论文
[1]基于卷积神经网络迁移学习的SAR图像目标分类方法研究[D]. 何浩男.西安电子科技大学 2019
[2]基于深度学习的SAR目标识别与PolSAR分类[D]. 王家明.西安电子科技大学 2019
[3]SAR图像相干斑抑制和图像增强方法研究[D]. 童丹平.电子科技大学 2019
[4]基于深度特征学习的极化SAR分类[D]. 王欣.西安电子科技大学 2018
[5]基于深度学习的SAR自动目标识别方法研究[D]. 陈永生.江西理工大学 2018
[6]基于深度学习的SAR舰船目标识别方法研究[D]. 丛龙剑.中国航天科技集团公司第一研究院 2018
[7]基于深度学习的SAR图像目标识别[D]. 李文辉.电子科技大学 2018
[8]基于深度学习的SAR图像目标识别分类研究[D]. 蒋鑫.电子科技大学 2018
[9]基于变换域稀疏系数估计的SAR图像降噪[D]. 吴国庆.重庆大学 2016
[10]基于稀疏表示的SAR图像降噪算法研究[D]. 吴奇政.重庆大学 2015
本文编号：3338322
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
图２－１卷积计算示意图??Ｆｉｇｕｒｅ?２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｃａｌｃｕｌａｔｉｏｎ??
?第二章ＳＡＲ自动目标识别基础理论???ｊ１．．．．．．．．ｂｐｎ?Ｉ?ｗ?Ｉ?ｘ??—ｃ?ｆ?ｇ?ｈ???ａｂｅｄ?ｙ?ｚ??ａｗ＋ｂｘ－ｉ－？ｙ＋?ｂｗ＋ｃｘ＋ｌｙ＋?ｃｗ＋ｄｘ＋ｇｙ＋????１Ｌ＿???ｅｗ＋ｆｋ＋ｌｙ＋ｊ?ｆｗ＋ｇｘ＋ｊｙ＋ｌ＜?ｇｗ＋ｈｘ＋ｋｙ＋??ｚ?ｚ?ｉｚ??图２－１卷积计算示意图??Ｆｉｇｕｒｅ?２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎ?ｃａｌｃｕｌａｔｉｏｎ??卷积神经网络与传统的祌经网络相比，使用卷积运算替代全连接的乘法，可以实??现稀疏交互、参数共享、平移不变性等优点［５０］。??传统的神经网络使用全连接层的方式进行网络互连，这种运算方式会使层与层之??间的节点都产生关联。通过矩阵运行，使得每个节点都是必不可少的。这样会造成网??络中参数的冗余，并且增大了运算量。卷积神经网络中的卷积核运算时，通过核矩阵??使得层间的变量交互只集中在卷积核上，这样不仅减少了参数量，而且使得层与层之??间的连接只有卷积核这几个变量，就大大的缩减了参数量？。卷积神经网络缩减了参??数量及运算量，从而降低了模型的存储以及计算复杂度。??卷积神经网络由于使用卷积核进行运算，在同一层中的卷积核使用的是相同的参??数，并且使用的是相同的卷积核遍历图像的不同位置。这样在参与图像的运算时，使??用的参数量是固定的，与图像的大小无关。然而传统的神经网络由于使用的是全连接??的方式进行运算，这样在运算时需要与每个上层的节点进行计算，并且没个参数都是??独立，不同的位置使用的是不同的参数％。???＞??图２－２卷积的参数共享示意图??Ｆｉｇｕｒ
慢，因此深度学习的训练基本都是在ＧＰＵ上进行。早期的设备受限，因此为了在??有限的资源中训练，使用分组卷积来替换原本的卷积。分组卷积重要的特点就是分组，??即把输入的特征图像进行分开重组，然后再分别进行卷积，最后再经过全连接层拼接??起来。??Ｉｎｐｕｔ?Ｏｕｔｐｕｔ?Ｉｎｐｕｔ?Ｏｕｔｐｕｔ??Ｆ？ａｔｕｒ？ｓ?Ｆｅａｔｕｒｅｓ?Ｆｅａｔｕｒｅｓ?Ｆｅａｔｕｒｅｓ??每?｜?ｄ??Ｉ?：：?Ｖ￣＾?ｆ?｜；ｒ＾＾ｐｒ?！??ｆ?４?ｚ—？７?ｉ??！＾＝ＺＪ??图２－３分组卷积示意图??Ｆｉｇｕｒｅ?２－３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｇｒｏｕｐｅｄ?ｃｏｎｖｏｌｕｔｉｏｎ??分组卷积在ＡｌｅｘＮｅｔ?２０１２年Ｉｍａｇｅｎｅｔ的冠军方法中被提出，其训练可以同时??在２块ＧＰＵ上并行进行，因此训练较快。从参数量的计算方法来统计，同时可以缩??减参数量。假如输入特征图的尺寸为Ｃ＊Ｈ＊Ｗ，卷积核尺寸为Ｃ＊Ｋ＊Ｋ，同时卷积核??为Ｎ个，这样卷积核的总参数量为Ｎ＊Ｃ＊Ｋ＊Ｋ个。这样计算参数量的方法为大约统??计，并没有考虑相关的卷积步长与ｐａｄｄｉｎｇ长度。如果使用的是分组卷积方式，首先??１４??
【参考文献】：
期刊论文
[1]基于深度学习的雷达图像目标识别研究进展[J]. 潘宗序,安全智,张冰尘. 中国科学:信息科学. 2019(12)
[2]稳健高效通用SAR图像稀疏特征增强算法[J]. 杨磊,李埔丞,李慧娟,方澄. 电子与信息学报. 2019(12)
[3]基于SAR目标识别的深度学习方法[J]. 郝岩,白艳萍,张校非. 火力与指挥控制. 2019(10)
[4]基于深度学习的SAR图像目标识别算法[J]. 崔福彬,张茜,雷俞承志,尹伟石. 长春理工大学学报(自然科学版). 2019(04)
[5]基于改进粗糙集理论的SAR图像目标增强[J]. 朱鸣,杨百龙,何岷,陈铮铮,张雄美. 计算机工程与应用. 2019(16)
[6]基于非下采样Shearlet变换与模糊对比度的合成孔径雷达图像增强[J]. 郭庆荣,贾振红,杨杰,Nikola KASABOV. 计算机应用. 2018(09)
[7]基于数值散射模拟与模型匹配的SAR自动目标识别研究[J]. 周雨,王海鹏,陈思喆. 雷达学报. 2015(06)
[8]基于Gabor滤波器和局部纹理特征提取的SAR目标识别算法[J]. 王璐,张帆,李伟,谢晓明,胡伟. 雷达学报. 2015(06)
[9]基于多信息字典学习及稀疏表示的SAR目标识别[J]. 齐会娇,王英华,丁军,刘宏伟. 系统工程与电子技术. 2015(06)
[10]地面车辆目标识别研究综述[J]. 李开明,张群,罗迎,梁必帅,杨小优. 电子学报. 2014(03)
博士论文
[1]SAR图像质量评估及其目标识别应用[D]. 张倩.中国科学技术大学 2011
[2]合成孔径雷达图像目标识别技术研究[D]. 胡利平.西安电子科技大学 2009
[3]极化雷达成像及目标特征提取研究[D]. 代大海.国防科学技术大学 2008
[4]合成孔径雷达回波信号模拟研究[D]. 岳海霞.中国科学院研究生院（电子学研究所） 2005
[5]合成孔径雷达图像分类与目标检测技术研究[D]. 付信际.中国科学院研究生院（电子学研究所） 2005
[6]高分辨率SAR图像自动目标识别方法研究[D]. 张翠.国防科学技术大学 2003
[7]合成孔径雷达动目标检测和成像研究[D]. 郑明洁.中国科学院研究生院（电子学研究所） 2003
[8]SAR图像目标特征提取与分类方法研究[D]. 计科峰.中国人民解放军国防科学技术大学 2003
[9]干涉合成孔径雷达成像技术研究[D]. 穆冬.南京航空航天大学 2001
硕士论文
[1]基于卷积神经网络迁移学习的SAR图像目标分类方法研究[D]. 何浩男.西安电子科技大学 2019
[2]基于深度学习的SAR目标识别与PolSAR分类[D]. 王家明.西安电子科技大学 2019
[3]SAR图像相干斑抑制和图像增强方法研究[D]. 童丹平.电子科技大学 2019
[4]基于深度特征学习的极化SAR分类[D]. 王欣.西安电子科技大学 2018
[5]基于深度学习的SAR自动目标识别方法研究[D]. 陈永生.江西理工大学 2018
[6]基于深度学习的SAR舰船目标识别方法研究[D]. 丛龙剑.中国航天科技集团公司第一研究院 2018
[7]基于深度学习的SAR图像目标识别[D]. 李文辉.电子科技大学 2018
[8]基于深度学习的SAR图像目标识别分类研究[D]. 蒋鑫.电子科技大学 2018
[9]基于变换域稀疏系数估计的SAR图像降噪[D]. 吴国庆.重庆大学 2016
[10]基于稀疏表示的SAR图像降噪算法研究[D]. 吴奇政.重庆大学 2015
本文编号：3338322
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3338322.html
