基于CNN的SAR目标识别算法研究

发布时间：2023-02-18 08:59

　　SAR图像目标识别即从SAR图像中提取特征,确定目标的类别属性,具有广泛的军事与民用价值,可应用于战场监控、引导攻击、打击效果评估、海洋资源探测、环境地貌监测及自然灾害评估等,是国内外研究的热点问题。卷积神经网络(Convoluional Neural Networks,CNN)是一种重要深度学习模型,包括多层卷积层和池化层,成功模仿了生物神经元的感知过程,尤其适合图像的智能解译,已经在光学领域的图像目标检测、目标识别中取得了良好的效果。因此,研究基于CNN的SAR目标识别技术,对于推动SAR自动目标识别(Automatic Target Recognition,ATR)技术的发展具有重要意义。本文围绕基于CNN的SAR目标识别问题,重点研究了小样本数据集下的基于生成对抗网络的SAR目标识别算法和基于单次多框检测器(Single Shot MultiBox Detector,SSD)的SAR目标检测识别一体化算法。主要内容为:1、针对小样本SAR数据集导致的CNN模型过拟合问题,研究了生成对抗网络模型。利用生成对抗网络模型扩充原始的SAR图像集,缓解训练样本不足而导致的模型泛化能力下降...

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 SAR图像目标识别研究现状
        1.2.2 卷积神经网络研究现状
    1.3 本文的结构安排
第二章 SAR图像与深度学习基本理论
    2.1 SAR图像特性
    2.2 神经元
    2.3 常见的神经网络模型
        2.3.1 生成对抗网络
        2.3.2 卷积神经网络
    2.4 提高泛化能力
        2.4.1 正则化
        2.4.2 随机失活
        2.4.3 提前终止
        2.4.4 数据扩充
    2.5 本章小结
第三章 基于生成对抗网络的小样本SAR目标识别算法
    3.1 算法框架
    3.2 算法实现
        3.2.1 基于DCGAN的 SAR数据集扩充
        3.2.2 基于卷积神经网络的SAR识别模型
    3.3 模型训练
        3.3.1 生成对抗网络训练
        3.3.2 分类网络训练
    3.4 算法复杂度分析
    3.5 实验与性能分析
        3.5.1 MSTAR数据集介绍
        3.5.2 数据集扩充实验
        3.5.3 识别性能实验
        3.5.4 识别性能对比实验
        3.5.5 网络中间层输出分析
    3.6 本章小结
第四章 SAR目标检测识别一体化算法
    4.1 SSD算法
        4.1.1 基础网络
        4.1.2 默认框
        4.1.3 非极大值抑制
        4.1.4 目标函数
    4.2 基于改进SSD的 SAR目标检测识别算法
        4.2.1 算法框架
        4.2.2 基于kmeans的默认框尺寸设置
        4.2.3 惩罚NMS算法
        4.2.4 特征融合
    4.3 模型训练
        4.3.1 匹配策略
        4.3.2 训练方法
    4.4 实验验证与分析
        4.4.1 实验数据
        4.4.2 评价指标
        4.4.3 实验结果与分析
    4.5 本章小结
第五章 总结和展望
    5.1 全文总结
    5.2 工作展望
致谢
参考文献



本文编号：3744664