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。     

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...     

类似虹膜轮廓曲线分割的SAR雷达成像技术

合成孔径雷达(SAR)成像是跟踪探测机动目标的基础,传统的SAR雷达成像基础采用数据融合和图像配准的雷达成像方案,在获得具有相似测度的边缘轮廓特征时成像效果较好,当运动目标边缘为断裂的非相似度特征时,无法准确对快速运动目标成像.引入虹膜边缘轮廓曲线分割技术,提出一种基于虹膜边缘函数计算和区域灰度轮廓曲线分割的SAR雷达成像技术.构建合成孔径雷达回波模型,得到虹膜轮廓曲线分割的边缘函数的演化方程,实现SAR雷达准确成像.对4类高速飞行目标进行SAR成像仿真,结果表明采用该算法能避免因距离色散和多普勒时变出现的成像散焦,边缘轮廓特征能全面提取,成像分辨高.在雷达目标识别等领域具有较好的应用性.     

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分对SAR图像舰船目标检测精度和速度的影响进行对比分析。最后根据当前研究现状,深入分析深度学习算法在舰船检测应用中存在的问题,探讨基于深度学习的SAR图像舰船目标检测的进一步研究方向。     

SAR图像飞机目标检测识别进展

目标检测与识别是高分辨合成孔径雷达(SAR)领域的热点问题。机场上飞机作为一种典型目标，其检测和识别有一定的独特性。该文回顾了SAR图像典型目标检测识别领域技术的发展过程，分析了SAR图像中飞机目标的散射机制及面临的技术难点，阐述了 SAR 飞机目标检测识别的系统流程、技术路线和关键科学问题，对基于传统与基于深度学习两个方面的飞机目标检测识别的研究进展进行了归纳总结，并讨论了各类方法的特点及存在的问题，展望了未来的发展趋势。该文认为如何将深度学习与目标电磁散射机理结合、提高网络或模型的泛化能力是提升SAR图像中目标检测识别精度的关键，并给出了一种基于散射信息与深度学习融合的飞机目标检测方法。      

基于深度学习的雷达成像技术研究进展

成像雷达具有全天时、全天候、远距离、高分辨对地观测的能力,使得雷达系统具有对观测区域进行成像和解译的能力。利用先进信号处理技术实现实时高分辨成像以满足图像解译的需求是雷达成像技术研究的重要目的和意义。随着深度学习的迅速兴起,深度学习网络在逆问题求解中得到广泛应用,也为提升成像质量和成像效率提供新的求解思路。本文基于雷达成像数学模型将雷达成像问题建模为成像逆问题,从逆问题求解的角度分析了基于深度学习的雷达成像方法的可行性。并综述了近年来雷达深度学习技术在合成孔径雷达（Synthetic Aperture Radar,SAR）、逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）、SAR运动目标成像等雷达成像领域的研究现状,在此基础上探讨了目前面临的亟待解决的问题,并对未来发展方向进行了展望。     

深度卷积神经网络在SAR自动目标识别领域的应用综述

深度卷积神经网络（DCNN）可自动学习目标层次化特征,在合成孔径雷达（SAR）自动目标识别（SAR-ATR）领域具有广泛应用前景。首先,介绍了DCNN的基本原理以及DCNN在光学图像上的应用与发展;然后,介绍了SAR-ATR的基本概念,综述了DCNN在SAR图像语义特征提取、片段级SAR图像分类、基于数据增强技术的SAR自动目标识别、异质图像变化检测等领域中的前沿应用研究及代表性网络架构;最后,总结并讨论了DCNN在SAR-ATR应用中存在的参数设置经验化、算法泛化能力较弱等不足,并对未来研究方向进行了展望。     

面向SAR图像处理的生成式对抗网络应用综述

针对缺少合成孔径雷达(Synthetic Aperture Radar,SAR)目标图像数据导致的识别网络难以训练的问题,总结了现有的基于深度学习方法的解决方案。归纳了现阶段生成式对抗网络(Generative Adversarial Network,GAN)的发展情况,以及主要的衍生模型及其特点与优势。综述了GAN在SAR图像生成与风格迁移两方面的应用情况,并合理分析了应用中的技术难点和问题。最后结合深度学习的发展趋势,展望了GAN在SAR智能解译方面的应用。     

SAR图像对抗攻击的进展与展望

合成孔径雷达（synthetic aperture radar,SAR）在民用和军用领域得到广泛应用。对SAR电子干扰一直是军事侦察领域对抗博弈的重点。不同于人工易识别的干扰技术,基于人工难察觉的微扰样本的对抗攻击,近年来在光学图像处理等计算机视觉领域得到了广泛研究。目前,对抗样本生成技术也已逐步应用于SAR图像对抗攻击,给SAR信息安全带来了新挑战。为此,对SAR图像对抗攻击技术方法的研究进展进行总结,主要包括图像对抗攻击的基本模型和方式,SAR图像对抗攻击原理与方法。针对典型深度学习目标检测算法,开展了对抗攻击下SAR图像目标检测性能分析,验证了对抗攻击的效果。最后,从算法脆弱机制与算法加固、融合机理的对抗攻击方法、对新体制成像雷达对抗攻击、对抗攻击识别与防御等4个方面对SAR图像对抗攻击领域的研究进行了展望。     

基于监督对比学习正则化的高分辨率SAR图像建筑物提取方法

近年来,高分辨合成孔径雷达(SAR)图像的智能解译技术在城市规划、变化监测等方面得到了广泛应用.不同于光学图像,SAR图像的获取方式、图像中目标的几何结构等因素制约了现有深度学习方法对SAR图像地物目标的解译效果.该文针对高分辨SAR图像城市区域建筑物提取,提出了基于监督对比学习的正则化方法,其主要思想是增强同一类别像...     

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（Synthetic Aperture Radar,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（Deep Belief Network,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。     

“高分辨率SAR图像目标认知”专题征文通知

合成孔径雷达(SAR)是一种重要的遥感对地观测手段,随着SAR技术的不断进步,其图像分辨率日益提高、图像数据维度(极化、频段、角度等)得到拓展,为地物目标的认知信息提取提供了更好的条件。然而,由于SAR成像机理的特殊性和复杂性,SAR图像目标认知一直是SAR应用领域的研究难点和热点。当前,大数据分析、人工智能等技术的飞速发展,给SAR图像目标认知研究带来了新的活力。为推动SAR图像目标认知领域的发展,促进该领域学术交流,探索相关学科方向的未来发展趋势,《雷达学报》拟     

深度学习雷达信号处理应用综述——机遇与挑战

作为人工智能的重要分支,深度学习在近年来飞速发展,已成功应用于多个领域的研究工作中。深度学习算法为解决雷达信号处理领域的瓶颈问题提供了新的突破口,也带来了新的技术难题。文中针对深度学习在低截获与无源雷达波形识别、自动目标识别、干扰杂波信号的识别与抑制以及雷达波形与阵列设计等领域的应用进行了全面梳理总结,重点介绍和分析了近年来提出的基于深度学习的雷达波形识别和合成孔径雷达图像自动目标识别方法,阐明了限制深度学习算法性能的主要因素,旨在为相关领域科研人员开展后续研究提供参考依据。     

面向SAR图像解译的物理可解释深度学习技术进展与探讨

深度学习技术近年来在合成孔径雷达(SAR)图像解译领域发展迅速,但当前基于数据驱动的方法通常忽视了SAR潜在的物理特性,预测结果高度依赖训练数据,甚至违背了物理认知.深层次地整合理论驱动和数据驱动的方法在SAR图像解译领域尤为重要,数据驱动的方法擅长从大规模数据中自动挖掘新模式,对物理过程能起到有效的补充;反之,在数据...     

基于卷积神经网络的动目标检测

合成孔径雷达(SAR)动目标检测技术是雷达信号处理领域中的重要技术。文中利用深度学习高维特征提取能力，提出了一种基于卷积神经网络(CNN)的多通道SAR地面动目标检测算法，并针对雷达实测数据较少、动目标样本难以获得的问题，提出了基于仿真-实测混合样本集的网络训练方法完成网络的高精度训练。实测数据检测结果表明，此类方法能够有效地完成地面动目标检测，与传统动目标检测方法相比，具有显著的优势。     

卷积神经网络在雷达自动目标识别中的研究进展

自动目标识别(ATR)是雷达信息处理领域的重要研究方向。由于卷积神经网络(CNN)无需进行特征工程,图像分类性能优越,因此在雷达自动目标识别领域研究中受到越来越多的关注。该文综合论述了CNN在雷达图像处理中的应用进展。首先介绍了雷达自动目标识别相关知识,包括雷达图像的特性,并指出了传统的雷达自动目标识别方法局限性。给出了CNN卷积神经网络原理、组成和在计算机视觉领域的发展历程。然后着重介绍了CNN在雷达自动目标识别中的研究现状,其中详细介绍了合成孔径雷达(SAR)图像目标的检测与识别方法。接下来对雷达自动目标识别面临的挑战进行了深入分析。最后对CNN新理论、新模型,以及雷达新成像技术和未来复杂环境下的应用进行了展望。     

SAR图像舰船目标检测数据集构建研究综述

算法和数据是影响深度学习技术发展的两大关键因素,大多数学者专注于算法的改进和开拓,仅有少部分学者致力于数据的研究.构建合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船数据集是SAR舰船目标检测项目的第一步,也是星载SAR图像实际工程应用的基础.分析了影响SAR舰船目标检测性能的关键因素,阐述了SAR舰船数据集的构建方法,概述了TerraSAR-X、"哨兵"1号(Sentinel-1)和高分三号(GF-3)三种SAR图像数据源,并对几种公开的SAR舰船数据集进行梳理与分析,总结了各数据集的发展历程,最后指出构建SAR图像舰船数据集仍需考虑的几个方面.     

基于电磁散射模型的海上舰船双基SAR图像仿真

合成孔径雷达(synthetic aperture radar, SAR)在地海环境遥感和目标探测识别中发挥着重要作用。相对于单基SAR,双基SAR能够通过调整发射机和接收机的角度对场景进行多方位观测,因此开展海上舰船目标双基SAR图像仿真可为非合作目标的特征研究和探测识别提供方法和手段,在目标探测识别方面有着重要意义。为此,本文利用基于面元化的简化小斜率近似(facet-based simplified small slope approximation, FBS-SSA)方法与几何光学/物理光学(geometrical optics/physical optics, GO/PO)混合方法,提出了一种基于电磁散射模型的海上舰船目标复合场景双基SAR图像仿真方法,实现了不同双基角下的海上舰船SAR图像仿真,并分析了雷达飞行方向与舰船角度、发射机和接收机相对位置、极化、海况对雷达图像的影响。结果表明,双基角、极化、舰船朝向都会对双基SAR图像产生较大的影响,因此可以通过获取不同双基角度下的复合场景SAR图像特征从而可以更好地开展舰船识别。此外,SAR图像中的阴影特征也可作为舰船识别的辅助...     

雷达学报》“雷达目标识别技术”专题征文通知

正雷达目标识别技术是针对目标和环境的雷达回波信号,根据电磁散射机理,提取目标特征,实现目标类型和属性的自动判定。雷达目标识别是集传感器、目标、环境和信号处理为一体的复杂系统工程。随着大规模集成电路技术及高性能电子器件技术的发展,高距离分辨率雷达技术、合成孔径雷达(SAR)技术和逆合成孔径雷达(ISAR)技术逐渐成熟,通过获取更多的目标结构信息,为雷达目标识别     

合成孔径雷达三维成像——从层析、阵列到微波视觉

合成孔径雷达3维成像技术可以消除目标和地形在2维图像上产生的严重混叠,显著提升目标识别和3维建模能力,已经成为当前SAR发展的重要趋势。合成孔径雷达3维成像技术经过了数十年的发展,已提出多种技术体制。该文系统性回顾了SAR 3维成像技术领域的发展过程,深入分析了现有SAR 3维成像技术的特点;指出了SAR回波及图像中蕴含的未被现有技术利用的3维信息,提出“合成孔径雷达微波视觉3维成像”的新概念和新思路,将SAR成像方法与微波散射机制和图像视觉语义有机融合,形成SAR微波视觉3维成像理论与方法,实现高效能、低成本的SAR 3维成像。该文重点阐述了SAR微波视觉3维成像的概念、目标和关键科学问题,并给出了初步的技术途径,为SAR 3维成像提供了新的技术思路。