基于小样本迁移学习的合成孔径雷达目标识别方法研究

发布时间：2021-01-21 08:14

　　图像识别技术是当前研究的重点,有助于辅助理解人工智能基础技术。其中,合成孔径雷达（Synthetic Aperture Radar,SAR）图像广泛应用于城市监测、自然环境调查、军事目标侦察等各个领域。根据合成孔径雷达图像的成像特点,目前,基于SAR目标识别识别方法主要存在以下几个难点。一是有效的模型设计,体现在目标函数和代价函数的设计、超高维参数优化;二是模型泛化性能评估,如样本不足导致的模型过拟合问题以及整体模型的泛化能力;三是针对小样本问题,强判别能力特征的获取,原生特征的研究以及小样本数据下对模型性能的评估。本文引入小样本迁移学习,结合深度学习框架,针对小样本SAR目标识别任务,展开研究。主要研究问题概括如下:（1）基于训练数据不足引起的过拟合和小样本问题,本文结合深度学习方法,研究并提出数据扩增技术的轻量级合成孔径雷达图像识别方法。该方法提出的数据扩增技术,采用质心法获取SAR图像感兴趣区域（Region of Interest,ROI）,通过逐度（Clock-wise）旋转技术满足深度学习样本训练要求,避免网络训练过程中过度拟合问题,并克服SAR图像数据不足的缺点;同时,本... 

【文章来源】：五邑大学广东省

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

小样本问题轻量级SARNet框架

五邑大学硕士学位论文3基于轻量级SARNet小样本目标识别17图3-3图像变换过程2222"tan()"tan""yxyxxyxy+==+=+(3-4)通过数学变换，方程可以简化为"cos(sin)"sincosxxyyxy=+=+(3-5)注意，仿射变换矩阵可以表示为cossinsincosA=(3-6)为避免合成孔径雷达目标图像信息不足的问题，将增加一个偏移量，即000000"()cos()(sin)"()sin()(cos)xxxyyxxyxxyyyy=+++=+++(3-7)通过反向映射，用x，y代替x"，y"后(3-7)方程为000000((")cos(")(sin)/(()(sin)(")(cos)/xxxxyyyscalexyxxxyyyscaley=++=++(3-8)

五邑大学硕士学位论文3基于轻量级SARNet小样本目标识别18a)0°c)45°e)90°g)135°h)180°i)225°k)270°l)315°d)60°f)120°j)240°b)20°图3-4预处理SAR图像对于MSTAR数据库，对训练样本进行Clock-wise数据扩增处理。扩展数据库的数据量是原MSTAR数据库360倍，其部分图像如图3-4所示。3.4性能评估3.4.1数据库配置和参数初始化为充分研究SAR目标图像分类性能，利用MSTAR数据集对模型进行评估测试。数据配置中训练样本包含T72_132、BMP2_c2、BTR70_c71，总数据集是698张图像，测试数据包含T72，BMP2和BTR70的所有子类，如表3-2所示。其中，T72、BMP2等表示物体父类标签，序列号132，c2等表示对应类别下的子标签。整个训练数据集，随机选取75%用于训练，25%用于验证。光学图像如图3-5所示，SAR图像如图3-6所示。扩增MSTAR数据集包含254770张图像，内存大小1.01G，如表3-3所示，图像尺寸为6464。选择Squash图像压缩方式作为调整大小的转换，选择IMDB作为网络输入。测试数据库中没有数据库压缩。a)T72_132b)BMP2_c2c)BTR70_c71图3-5光学目标图像


本文编号：2990808