基于多卷积神经网络融合的SAR舰船分类

针对SAR图像中小型舰船分类准确率较低的问题,提出一种多卷积神经网络加权融合的方法。首先构建高分辨率卷积神经网络对特征图进行多尺度融合,引入微调模型和标签平滑减少训练过拟合的问题;然后利用高分辨网络、MobileNetv2网络和SqueezeNet网络训练3种单分类模型;最后采用加权投票方式对3种分类模型的结果进行融合。采用融合算法对GF-3号舰船数据集进行分类实验,取得94.83%的准确率、95.43%的召回率和0.9513的F1分数的分类性能。实验结果表明,该舰船分类算法模型具有较优的分类能力,验证了其在高分辨率SAR图像舰船分类上的有效性。     

星载SAR系统灵敏度对舰船分类影响的研究

针对不同星载SAR系统灵敏度下的SAR图像舰船分类准确率不同的问题,文中提出了一种系统灵敏度对舰船分类影响的研究方法。采用所提出的基于背景像素填充的目标旋转数据扩充方法,并结合微调卷积神经网络模型对舰船进行分类。同时降低图像的信噪比以等效获得不同系统灵敏度的数据集,再分析其灵敏度对舰船分类的影响。仿真结果表明,随着系统灵敏度的降低,舰船分类准确率的下降趋势逐渐变缓,且当最差系统灵敏度降为-13.58 dB时,准确率可达到75%。因此,所提方法可应用于舰船分类对星载SAR系统灵敏度的需求分析,而仿真结果也为低系统灵敏度的星载SAR舰船分类提供了参考。