基于深度学习的机载SAR典型目标识别算法

在多分辨率场景下基于合成孔径雷达(SAR)图像进行多类典型目标识别,是SAR图像信息解译的重要环节。基于YOLO-v4网络模型,针对目前机载SAR图像及目标信息的特点,提出一种应用于真实机载平台下多场景跨分辨率的实时检测处理架构。文中通过对多类目标进行双重检测,对样本数据量低的训练集进行数据增强,并将图像分割后的同类型目标信息进行合并,解决了多分辨率SAR场景下目标尺度跨度较大的问题。实验结果表明：该方法能够在相关机载SAR数据集上达到六类目标(机场、桥梁、立交桥、汽车、装甲车、飞机)82.8%的mAP值,对后续机载SAR复杂场景下更多类型目标的检测识别具有重要的借鉴意义。     

卷积神经网络对SAR目标识别性能分析

近年来,以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习方法在图像识别领域取得了巨大进展,但尚未在SAR目标识别领域得到广泛应用。基于此,将具有代表性的LeNet,AlexNet,VGGNet,GoogLeNet,ResNet,DenseNet,SENet等卷积神经网络模型应用到SAR图像目标识别上,并依据识别精度、模型尺寸、运行时间等指标在公开SAR数据集MSTAR上对9类目标进行识别实验。详细对比分析了不同CNN模型的综合性能,验证了利用CNN网络模型进行SAR图像目标识别的优越性,同时也为该领域的后续工作提供了参考基准。     

基于目标识别的SAR图像特征分析

特征分析是目标检测与识别的关键,也是图像解译的经典课题之一.本文分析了合成孔径雷达图像目标识别系统各阶段常用的特征,并提出了几个新的具有鲁棒性的特征,从而为SAR图像目标检测和分类提供了良好的基础.     

采用深度学习的多方位角SAR图像目标识别研究

合成孔径雷达（Synthetic Aperture Radar,SAR）在对地面目标进行观测时,可以在多个不同的方位角获取到目标的SAR图像,但这些图像中目标的形态各不相同。考虑到SAR图像对观测方位角极其敏感和SAR图像数据规模小这两个因素,本文设计了一个利用多方位角SAR图像进行目标识别的卷积神经网络（Convolutional Neural Network,CNN）,同一目标的3幅SAR图像被当作一幅伪彩色图像输入到网络中,充分利用了SAR图像数据的获取特点,同时用池化层替代了展平操作,降低了网络参数数量。实验结果表明,即便在小规模SAR数据集上,该卷积网络具有识别精度高的特点,对同类别不同型号的目标也具有出色的识别表现。      

少样本条件下SAR目标识别潜力探究

随着深度学习在计算机视觉领域取得令人鼓舞的成果,基于深度学习技术实现对合成孔径雷达（Synthetic Aperture Radar, SAR）图像中时敏目标的分类识别已成为可能,实测SAR图像中时敏目标自动识别应用再次吸引了全球广大学者的目光。受客观条件所限,高质量实测SAR目标样本切片的获取代价大、成本高、数量少,且SAR对成像参数和目标姿态敏感,导致SAR图像面临的少样本条件下的目标识别问题更为突出。本文深度挖掘MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集的目标识别潜力,针对10类SAR图像车辆目标分类识别潜能进行了研究和分析。为衡量不同样本数量条件下SAR目标识别潜能,同时降低对目标样本选取的随机性,提出利用不同数量实测训练样本,生成全角度训练数据集,对参与训练的样本进行规范化和合理化采样处理;将全角度扩充后得到的训练样本集作为标准模板数据集,通过遍历模板数据集,采用似然比相似性度量（Likelihood Ratio Similarity Measure, LiRSM）来衡量目标相似性,利用SAR图像的灰度统计特性,基于变化检测技术构建变化检测量,实现SAR车辆目标的分类识别;基于MSTAR数据集,深入开展了10-Way-N-Shot的少样本条件下的SAR车辆目标分类识别问题研究,并通过试验对比形成性能基准,方便其他学者在该数据集中进一步开展少样本条件下目标识别对比分析。     

基于深度森林的多级特征融合SAR目标识别

大多数传统的合成孔径雷达(SAR)目标识别方法仅仅使用了单一的幅度特征,但是由于斑点噪声的存在,仅仅使用幅度特征会限制识别的性能.为了进一步提高SAR目标识别的性能,该文提出了一个基于深度森林的多级特征融合SAR目标识别方法.首先,在特征提取阶段,提取了多级幅度特征和多级密集尺度不变特征变换(Dense-SIFT)特征.幅度特征反映了目标反射强度,Dense-SIFT特征描述了目标的结构特征.而多级特征可以从局部到全局表征目标.随后,为了更完整、充分地反映SAR目标信息,借鉴深度森林的思想对多级幅度特征和多级Dense-SIFT特征进行联合利用.一方面通过堆叠的方式不断将多级幅度特征和多级Dense-SIFT特征进行融合,另一方面通过逐层的特征变换挖掘深层信息.最后利用得到的深层融合特征对目标进行识别任务.该文在MSTAR数据集上进行对比实验,实验结果表明所提算法在性能方面取得了提升,且其性能对超参数设置具有一定的鲁棒性.     

基于深度森林的多级特征融合SAR目标识别

大多数传统的合成孔径雷达(SAR)目标识别方法仅仅使用了单一的幅度特征,但是由于斑点噪声的存在,仅仅使用幅度特征会限制识别的性能。为了进一步提高SAR目标识别的性能,该文提出了一个基于深度森林的多级特征融合SAR目标识别方法。首先,在特征提取阶段,提取了多级幅度特征和多级密集尺度不变特征变换(Dense-SIFT)特征。幅度特征反映了目标反射强度,Dense-SIFT特征描述了目标的结构特征。而多级特征可以从局部到全局表征目标。随后,为了更完整、充分地反映SAR目标信息,借鉴深度森林的思想对多级幅度特征和多级Dense-SIFT特征进行联合利用。一方面通过堆叠的方式不断将多级幅度特征和多级Dense-SIFT特征进行融合,另一方面通过逐层的特征变换挖掘深层信息。最后利用得到的深层融合特征对目标进行识别任务。该文在MSTAR数据集上进行对比实验,实验结果表明所提算法在性能方面取得了提升,且其性能对超参数设置具有一定的鲁棒性。     

基于目标CSAR回波模型的SAR自动目标识别算法

基于模板的SAR目标识别需要存储海量的目标模板,给识别系统的设计和算法效率的提高都造成了严重的困难,而基于模型的方法克服了上述问题,并已成为下一代目标识别算法研究的热点。该文提出的基于圆周SAR(CSAR)回波模型的识别算法,从目标的3维CAD模型出发,利用弹射线原理构建目标的CSAR回波,并通过在线实时预测目标聚束SAR图像来完成识别。同传统的基于散射中心模型的算法相比,利用CSAR回波的算法不仅预测结果准确,而且算法简单高效。仿真实验验证了算法的有效性,并比较了相关算法的优缺点。     

结合二维内蕴模函数和贝叶斯多任务学习的SAR目标识别

为了提高合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别性能,提出了结合二维内蕴模函数（Bidimensional Intrinsic Mode Function,BIMF)与贝叶斯多任务学习的SAR目标识别方法。采用二维经验模态分解获得SAR图像的多层次BIMF,从而更好地描述原始图像的细节信息。为了获得稳健的决策,采用贝叶斯多任务学习对原始SAR图像及其多层次的BIMF进行联合稀疏表示。最后,通过比较各个类别对于测试样本的重构误差判定目标类别。基于MSTAR数据集在多种条件下对提出方法进行了验证实验,结果证明了方法的有效性。     

SAR图像飞机目标智能检测识别技术研究进展与展望

合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。     

融合空域和频域网络模型的SAR图像识别

深度学习方法已经被广泛应用于合成孔径雷达(SAR)图像识别,并取得了不错的效果。但是大多数深度学习方法仅提取空间域的图像信息,未考虑SAR图像的频域散射特性,丢失了部分关键特征。为解决上述问题,文中提出了基于融合空间域和频域网络模型的SAR图像识别的端到端的深度学习框架。首先,将原始空间域图像通过频域变换方法转换为频域图像,对频域图像进行信道选择获取有效频域信号,将有效频域信号输入到频域主干网络提取频域特征;然后,将原始空间域图像输入到空间域主干网络,提取空间域特征;最后,通过网络模型融合空间域特征和频域特征,充分利用SAR图像的空间域像素信息和频域散射特性,进一步提取出目标的本质特征。文中所提方法在公共数据集MSTAR上进行了大量的实验,验证了模型的有效性和鲁棒性。     

基于深度学习的复杂沙漠背景SAR目标检测

SAR目标检测,因成像场景大、背景复杂多变而极具挑战。传统基于恒虚警率的SAR目标检测方法极易受背景干扰。针对上述问题,提出一种基于深度学习的复杂沙漠背景SAR目标端对端检测识别系统。即采用小规模沙漠背景下的SAR图像数据对Faster-RCNN网络进行迁移训练,一体化完成典型目标的检测与识别。基于合成数据集Desert-SAR的试验结果表明,与传统方法相比,该方法检测速度更快、准确率更高、鲁棒性更强。     

基于Markov随机场的SAR图像目标检测方法

提出了一种递增结构能量参数的Markov随机场模型的合成孔径雷达图像目标检测算法,利用模拟退火优化方法,获得最大后验概率准则下的目标检测结果。实验结果表明,该算法不仅能有效减少斑点噪声及背景杂波的影响,而且还可以排除具有较强回波的角反射器的干扰。     

SAR图像舰船及其尾迹检测研究综述

近年来,利用合成孔径雷达(SAR)图像进行舰船检测的研究在海洋遥感领域得到高度重视.本文回顾了SAR图像舰船及其尾迹检测的起源与发展,分析了影响舰船和尾迹的物理因素,分别对舰船检测算法和尾迹检测算法进行综述、总结和对比,并对今后的研究发展方向进行展望.     

基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用

合成孔径雷达（SyntheticApertureRadar,SAR）图像目标识别是SAR图像解译的重要应用。为提高SAR目标识别的稳健性,本文提出基于深度信念网络（DeepBeliefNetwork,DBN）的属性散射中心匹配方法。属性散射中心参数特征丰富,能够很好地反映目标的局部散射特性。DBN发挥深度学习优势,可以实现测试样本与模板样本散射中心集的稳健匹配,并且能够较好地适应噪声干扰、部分缺失等情形。在构建的属性散射中心匹配关系的基础上,定义相似度度量准则。基于最大相似度的原则确定测试样本所属类别。实验依托MSTAR数据集开展,经验证,所提方法对于SAR目标识别问题具有良好的有效性和稳健性。     

基于深度学习的ViSAR多运动目标检测

视频合成孔径雷达(ViSAR)在地面动目标检测和感兴趣区域(ROI)的动态监测方面具有巨大的潜力。对地面运动目标的检测与跟踪一直是ViSAR的研究热点。针对现有基于深度学习的ViSAR动目标检测方法存在的依赖预训练模型,模型迁移难等问题,本文提出了一种基于深度学习与多目标跟踪(MOT)算法的ViSAR动目标阴影检测方法。该方法首先设计了一种从零开始深度学习的网络模型,实现动目标阴影的单帧检测。为了提高检测性能的鲁棒性,采用了基于卡尔曼滤波和逐帧数据关联的多目标跟踪算法跟踪动目标。实测数据处理结果表明该方法具有良好的检测性能。     

基于深度学习的SAR图像舰船目标检测综述

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一.首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结.然后对检测流程中的各部...