基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。     

基于卷积神经网络的SAR图像目标检测算法

该文研究了训练样本不足的情况下利用卷积神经网络(Convolutional Neural Network, CNN)对合成孔径雷达(SAR)图像实现目标检测的问题。利用已有的完备数据集来辅助场景复杂且训练样本不足的数据集进行检测。首先用已有的完备数据集训练得到CNN分类模型,用于对候选区域提取网络和目标检测网络做参数初始化;然后利用完备数据集对训练数据集做扩充;最后通过四步训练法得到候选区域提取模型和目标检测模型。实测数据的实验结果证明,所提方法在SAR图像目标检测中可以获得较好的检测效果。     

基于ICNN和IGAN的SAR目标识别方法

近年来,卷积神经网络(CNN)已广泛应用于合成孔径雷达(SAR)目标识别。由于SAR目标的训练数据集通常较小,基于CNN的SAR图像目标识别容易产生过拟合问题。生成对抗网络(GAN)是一种无监督训练网络,通过生成器和鉴别器两者之间的博弈,使生成的图像难以被鉴别器鉴别出真假。本文提出一种基于改进的卷积神经网络(ICNN)和改进的生成对抗网络(IGAN)的SAR目标识别方法,即先用训练样本对IGAN进行无监督预训练,再用训练好的IGAN鉴别器参数初始化ICNN,然后用训练样本对ICNN微调,最后用训练好的ICNN对测试样本进行分类。MSTAR实验结果表明,提出的方法不仅能够在训练样本数降至原样本数30%的情况下获得高达96.37%的识别率,而且该方法比直接采用ICNN的方法具有更强的抗噪声能力。     

基于卷积神经网络的SAR图像目标识别研究

针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。      

基于分块CNN的多尺度SAR图像目标分类算法

针对合成孔径雷达（Synthetic Aperture Radar, SAR）图像目标分辨率差异大,多尺度SAR图像目标分类准确率不高的问题,提出了一种基于迁移学习和分块卷积神经网络（Convolutional Neural Network, CNN）的SAR图像目标分类算法。首先通过大量与目标域相近的源域数据对分块CNN的参数进行训练,得到不同尺度下的CNN特征提取网络;其次将CNN的卷积和池化层迁移到新的网络结构中,实现目标特征的提取;最后用超限学习机（Extreme Learning Machine, ELM）网络对提取的特征进行分类。实验数据采用美国MSTAR数据库以及多尺度SAR图像舰船目标数据集,实验结果表明,该方法对多尺度SAR图像的分类效果优于传统CNN。     

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作，以扩充训练样本；接着通过重采样的方法从训练样本中获取不同的训练子集，并在训练各基分类器时引入Dropout和Padding操作，有效增强了网络泛化能力；然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络，提高了网络的收敛速度和识别精度；最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明，集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络，具有较强的泛化能力和较好的稳健性。     

一种改进的CNN端到端自编码器通信系统

针对现有端到端神经网络通信系统的泛化能力改进及自编码器优化等问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的端到端通信系统改进方案。该方案在自编码器结构中引入一维卷积层(Conv1D),通过对参数的重新设计,优化了网络性能。发送端采用多层Conv1D对输入序列进行特征提取,通过训练获得发送信号的最佳调制和编码方案;接收端同样采用多层Conv1D,来恢复受到噪声污染的符号。仿真实验表明,在不同输入比特长度及编码速率条件下,所提系统表现出了良好的泛化能力。并且,在加性高斯白噪声信道和瑞利衰落信道下,训练模型的误码性能与传统的调制方式性能相吻合,验证了系统方案的可行性和有效性。此外,对于数字传输常见的突发信道,所提方案具有良好的适应性,可获得1 dB左右误码性能的改善。     

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。     

基于属性散射中心卷积核调制的SAR目标识别深层网络

卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。     

基于卷积神经网络的MIMO空分复用发射天线数目识别

针对传统多输入多输出(Multiple-Input Multiple-Output,MIMO)空分复用发射天线数目识别方法要求对于非合作方接收天线数目大于发射天线数目,以及特征寻找困难的问题,提出了一种基于卷积神经网络的MIMO空分复用发射天线数目识别方法.通过单天线接收目标信号,采集数据,再由卷积神经网络(Convolutional Neural Network,CNN)训练和测试.网络用发射端信号经过空时编码后表现出的不同特征识别发射天线数目.仿真和实测数据验证了CNN对于发射天线数目识别的效果,在信噪比大于15 dB时识别率可以达到85％.     

基于半监督学习的SAR目标检测网络

现有的基于卷积神经网络(CNN)的合成孔径雷达(SAR)图像目标检测算法依赖于大量切片级标记的样本,然而对SAR图像进行切片级标记需要耗费大量的人力和物力。相对于切片级标记,仅标记图像中是否含有目标的图像级标记较为容易。该文利用少量切片级标记的样本和大量图像级标记的样本,提出一种基于卷积神经网络的半监督SAR图像目标检测方法。该方法的目标检测网络由候选区域提取网络和检测网络组成。半监督训练过程中,首先使用切片级标记的样本训练目标检测网络,训练收敛后输出的候选切片构成候选区域集;然后将图像级标记的杂波样本输入网络,将输出的负切片加入候选区域集;接着将图像级标记的目标样本也输入网络,对输出结果中的正负切片进行挑选并加入候选区域集;最后使用更新后的候选区域集训练检测网络。更新候选区域集和训练检测网络交替迭代直至收敛。基于实测数据的实验结果证明,所提方法的性能与使用全部样本进行切片级标记的全监督方法的性能相差不大。     

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。      

基于深度CNN模型的SAR图像有源干扰类型识别方法

合成孔径雷达(SAR)能够全天时全天候获取感兴趣区域的高分辨率雷达图像,在诸多领域获得了成功应用。在电子对抗博弈环境下,SAR图像解译与情报生成也面临复杂电磁干扰的严重影响。当前,国内外学者提出了许多SAR抗干扰技术方法。然而,作为抗干扰的前提,SAR图像干扰类型识别这一关键技术却鲜有报道。该文针对SAR图像典型有源干扰类型识别开展研究。首先,选取5种典型有源干扰样式,并根据干扰参数,细分为9种干扰类型,作为干扰识别对象。其次,开展干扰信号回波仿真,通过与MiniSAR实测数据进行回波域叠加和成像处理,构建了典型有源干扰类型样本集。在此基础上,提出了一种结合注意力机制的深度卷积神经网络(CNN)模型,并开展了对比实验验证。实验表明,对不同场景和不同干扰参数情形,相比于传统深度CNN模型,该文方法取得了更高的识别精度和更稳健的性能。      

融合CNN和SRC决策的SAR图像目标识别方法

提出基于卷积神经网络（Convolutional Neural Network,CNN）与稀疏表示分类（Sparse Representation-based Classification,SRC）联合决策的合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别方法。CNN通过深度网络学习SAR图像的多层次特征,进而对其所属的目标类别进行判决。研究表明,CNN在训练样本充足的条件下可以取得很好的识别性能。然而,对于训练样本未能包含的条件,CNN的分类性能通常会出现明显下降。因此,先采用CNN对待识别的测试样本进行分类,再根据输出的决策值（即,各个训练类别对应的后验概率）计算当前分类结果的可靠性。当分类结果判定可靠时,则直接采信CNN的决策,输出测试样本的目标类别。反之,则根据CNN输出的决策值筛选若干候选类别,然后基于它们的训练样本构建全局字典用于SRC分类。对于SRC的分类结果,进一步采用Bayesian融合算法将其与CNN的分类结果进行融合。最终,根据融合后的结果判定测试样本的目标类别。提出方法通过层次化的思路融合CNN和SRC的优势,有利于发挥两者对不同测试条件的优势,达到提高识别稳健性的目的。实验中,基于MSTAR数据集开展测试分析,结果验证了提出方法的有效性。     

基于2DPCA-SCN正则化的SAR图像目标识别方法

合成孔径雷达（synthetic aperture radar,SAR）图像解译是一项重大的科学应用挑战,SAR图像目标识别已成为该领域的主要研究方向之一。针对SAR图像识别算法训练参数较多的问题,本文提出一种二维主成分分析（two-dimensional principal component analysis,2DPCA）与L2正则化约束的随机配置网络（stochastic configuration network,SCN）进行集成学习的SAR图像目标识别方法。2DPCA不仅能够有效地提取出目标的特征信息而且通过稀疏表征方式降低数据量,SCN正则化算法参数较少且可以有效避免网络过拟合问题,提高网络的识别率。我们将提出的方法在MSTAR (moving and stationary target acquisition and recognition)数据集上进行实验,结果表明该方法相对传统方法具有更高的识别率。      

基于多尺度注意力CNN的SAR遥感目标识别

目标识别是合成孔径雷达（Synthetic Aperture Radar,SAR）图像解译的重要步骤。鉴于卷积神经网络（Convolutional Neural Network, CNN）在自然图像分类领域表现优越,基于CNN的SAR图像目标识别方法成为了当前的研究热点。SAR图像目标的散射特征往往存在于多个尺度当中,且存在固有的噪声斑,含有冗余信息,因此,SAR图像目标智能识别成为了一项挑战。针对以上问题,本文提出一种多尺度注意力卷积神经网络,结合多尺度特征提取和注意力机制,设计了基于注意力的多尺度残差特征提取模块,实现了高精度的SAR遥感图像目标识别。该方法在MSTAR数据集10类目标识别任务中的总体准确率达到了99.84%,明显优于其他算法。在测试集加入4种型号变体后,10类目标识别任务中的总体准确率达到了99.28%,验证了该方法在复杂情况下的有效性。     

一种噪声环境下的雷达目标高分辨率距离像鲁棒识别方法

随着深度学习技术被应用于雷达目标识别领域,其自动提取目标特征的特性大大提高了识别的准确率和鲁棒性,但噪声环境下的鲁棒性有待进一步研究。该文提出了一种在噪声环境下基于卷积神经网络(CNN)的雷达高分辨率距离像(HRRP)数据识别方法,通过增强训练集和使用残差块、inception结构和降噪自编码层增强网络结构,实现了在较宽信噪比范围下的较高识别率,其中在信噪比为0 dB的瑞利噪声条件下,识别率达到96.14%,并分析了网络结构和噪声类型对结果的影响。