基于复数全卷积神经网络和卷积自编码器的SAR目标分类
发布时间：2021-01-20 07:39
合成孔径雷达（Synthetic Aperture Radar,SAR）具有远距离、全天时和全天候工作能力,在军事和民用领域发挥着非常重要的作用。SAR自动目标识别（SAR Automatic Target Recognition,SAR-ATR）一直是SAR领域的研究热点之一,它能够利用计算机自动识别目标并判断其所属类别。近年来,深度卷积神经网络（Convolution Neural Network,CNN）作为一种典型的深度学习技术,被广泛应用于SAR-ATR中,并取得了较为显著的成绩。目前,多数基于CNN的SAR-ATR方法只采用了SAR图像幅度数据,而丢失了相位数据。事实上,SAR相位数据也包含了丰富的目标信息。因此,研究基于复数卷积神经网络（Complex-Valued Convolution Neural Network,CCNN）网络的SAR-ATR方法显得极为迫切。本文主要提出了三种改进的复数卷积神经网络,并在此基础上引入改进的复数卷积自编码器（Improved Complex Convolutional Auto Encoder,ICCAE）对其中的一种进行无监督预训...
【文章来源】：江西理工大学江西省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
停车场内车辆的光学图像和SAR图像对比
t权重参数的学习过程中，LeCunn还提出了如今在深度学习中广泛使用的随机梯度下降(StochasticGradientDescent,SGD)算法。由于LeNet结构中首次采用了“卷积”这一名词，CNN也随之而得名。1998年，LeCun、Bottou和Bengio等人在LeNet结构基础上引入了池化层，进一步提出了更为完善的LeNet-5模型，其结构如图1.2所示[26]。该模型共有7层，第一层为卷积层，第二层为池化层，第三层和第四层又分别为卷积和池化层，第五层至第七层均为全连接层。LeNet-5被成功用于识别手写数字，其在MNIST数据集上的正确识别率能达到99.2%。图1.2LeNet-5模型结构自2006年“深度学习”概念提出以来，CNN也进一步得到发展。2012年，Hinton和AlexKrizhevshy提出了AlexNet模型[27]。该网络模型在ImageNet图像分类竞赛中夺得冠军，其结构和LeNet相差无几，如图1.3所示，但它在CNN结构基础上加入了ReLU激活函数以解决梯度消失问题，并在训练过程中采用Dropout技术以防止过拟合。此外，由于计算机硬件水平的提高，AlexNet采用两块GPU大大加速了网络训练速度。自那开始，CNN在各类图像处理领域发挥着举足轻重的作用。2013年，Zeiler和Fergus在AlexNet基础上做了一些修改并提出了ZFNet，该网络也获得了当年的ImageNet竞赛冠军。2014年，GoogLeNet[28]和VGGNet[29]分别获得ImageNet竞赛的冠军和亚军。VGGNet由牛津大学VisualGeometryGroup(VGG)提出，它的原理与LeNet-5、AlexNet并没有太大区别。VGGNet的卷积核大小基本上为3*3，池化核大小为2*2。VGG包含6个网络，后面网络采用前面训练好的网络参数进行初始化[28]。VGGNet模型在迁移至其他目标图像时，比GoogLeNet要更胜一筹。GoogLeNet是由Szegedy提出的一种新的网络结构[29]。与AlexNet和VGGNet通过堆叠卷积层以加深
扑愀丛佣取?nceptionV3与InceptionV2相比，改进之处包括：采用了RMSProp优化器；采用LabelSmoothing防止过拟合；将7*7的卷积核用1*7和7*1两个卷积核替代，不仅提高了计算效率，而且还增强了网络非线性表示能力；辅助分类器采用了BN。InceptionV4在InceptionV3结构上做了改进，它以块的形式构成网络[31]。InceptionV4与ResNet相结合后，又进一步得到Inception-ResNet-V1和Inception-ResNet-V2[32]。由于残差块的引入，两种网络的训练效率得到大大地提高。两种网络的结构大体上一致，只是在每个块的具体实现上有所不同。图1.3AlexNet模型结构ResNet是受高速路神经网路[33]启发，由KaimingHe于2015年提出。该网络共有152层，在ILSVRC数据集上top-5错误率达到了3.57%，获得了当年的ImageNet竞赛冠军[28]。由于网络采用了恒等快捷链接的思想，有效地解决了因网络层数过多而带来训练误差增加的问题。随着CNN的不断发展，近期还有一些新的网络模型被提出，如DenseNet[34]、DPN[35]、MobileNetV2[36]等。(2)自编码器早期，AE被当作一种编码学习算法。1985年，Ackley、Hinton和Sejnowski在玻尔兹曼机(BoltzmanMachine)研究中，提出了AE算法的雏形[37]。1986年，Rumelhart、Hinton和Williams在BP算法研究中，使用了单层AE算法以验证BP的可实现性[38]。1987年，LeCun利用多层感知器，正式提出了包括编码器和解码器两部分的AE结构[39]2006年，Hinton等人在解决数据降维问题时，设计了多层编码器网络将高维数据变换为低维，多层解码器网络将低维数据恢复成源数据[10]。至此，具有“深度”含义的
本文编号：2988659
【文章来源】：江西理工大学江西省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
停车场内车辆的光学图像和SAR图像对比
t权重参数的学习过程中，LeCunn还提出了如今在深度学习中广泛使用的随机梯度下降(StochasticGradientDescent,SGD)算法。由于LeNet结构中首次采用了“卷积”这一名词，CNN也随之而得名。1998年，LeCun、Bottou和Bengio等人在LeNet结构基础上引入了池化层，进一步提出了更为完善的LeNet-5模型，其结构如图1.2所示[26]。该模型共有7层，第一层为卷积层，第二层为池化层，第三层和第四层又分别为卷积和池化层，第五层至第七层均为全连接层。LeNet-5被成功用于识别手写数字，其在MNIST数据集上的正确识别率能达到99.2%。图1.2LeNet-5模型结构自2006年“深度学习”概念提出以来，CNN也进一步得到发展。2012年，Hinton和AlexKrizhevshy提出了AlexNet模型[27]。该网络模型在ImageNet图像分类竞赛中夺得冠军，其结构和LeNet相差无几，如图1.3所示，但它在CNN结构基础上加入了ReLU激活函数以解决梯度消失问题，并在训练过程中采用Dropout技术以防止过拟合。此外，由于计算机硬件水平的提高，AlexNet采用两块GPU大大加速了网络训练速度。自那开始，CNN在各类图像处理领域发挥着举足轻重的作用。2013年，Zeiler和Fergus在AlexNet基础上做了一些修改并提出了ZFNet，该网络也获得了当年的ImageNet竞赛冠军。2014年，GoogLeNet[28]和VGGNet[29]分别获得ImageNet竞赛的冠军和亚军。VGGNet由牛津大学VisualGeometryGroup(VGG)提出，它的原理与LeNet-5、AlexNet并没有太大区别。VGGNet的卷积核大小基本上为3*3，池化核大小为2*2。VGG包含6个网络，后面网络采用前面训练好的网络参数进行初始化[28]。VGGNet模型在迁移至其他目标图像时，比GoogLeNet要更胜一筹。GoogLeNet是由Szegedy提出的一种新的网络结构[29]。与AlexNet和VGGNet通过堆叠卷积层以加深
扑愀丛佣取?nceptionV3与InceptionV2相比，改进之处包括：采用了RMSProp优化器；采用LabelSmoothing防止过拟合；将7*7的卷积核用1*7和7*1两个卷积核替代，不仅提高了计算效率，而且还增强了网络非线性表示能力；辅助分类器采用了BN。InceptionV4在InceptionV3结构上做了改进，它以块的形式构成网络[31]。InceptionV4与ResNet相结合后，又进一步得到Inception-ResNet-V1和Inception-ResNet-V2[32]。由于残差块的引入，两种网络的训练效率得到大大地提高。两种网络的结构大体上一致，只是在每个块的具体实现上有所不同。图1.3AlexNet模型结构ResNet是受高速路神经网路[33]启发，由KaimingHe于2015年提出。该网络共有152层，在ILSVRC数据集上top-5错误率达到了3.57%，获得了当年的ImageNet竞赛冠军[28]。由于网络采用了恒等快捷链接的思想，有效地解决了因网络层数过多而带来训练误差增加的问题。随着CNN的不断发展，近期还有一些新的网络模型被提出，如DenseNet[34]、DPN[35]、MobileNetV2[36]等。(2)自编码器早期，AE被当作一种编码学习算法。1985年，Ackley、Hinton和Sejnowski在玻尔兹曼机(BoltzmanMachine)研究中，提出了AE算法的雏形[37]。1986年，Rumelhart、Hinton和Williams在BP算法研究中，使用了单层AE算法以验证BP的可实现性[38]。1987年，LeCun利用多层感知器，正式提出了包括编码器和解码器两部分的AE结构[39]2006年，Hinton等人在解决数据降维问题时，设计了多层编码器网络将高维数据变换为低维，多层解码器网络将低维数据恢复成源数据[10]。至此，具有“深度”含义的
本文编号：2988659
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2988659.html
