改进残差网络结合迁移学习的 SAR 目标识别

来源：计算机技术与发展杂志2022年第05期北京时间：

作者：崔亚楠;吴建平;';朱辰龙;闫相如

单位：1. 云南大学 信息学院,云南 昆明 650504;2. 云南省电子计算中心,云南 昆明 650223;3. 云南省高校数字媒体技术重点实验室,云南 昆明 650223

摘要：合成孔径雷达(SAR) 图像的目标识别对地面和海面目标获取具有重大意义。 实现 SAR 图像目标自动解释,提高图像目标识别的准确率成为 SAR 图像研究的热点问题。 为准确获取 SAR 图像中的目标信息,解决深度神经网络训练小样本 SAR 图像过程中细节特征丢失严重,网络易出现过拟合等问题,该研究提出一种基于 RCF( ResNet101 -CBAM-FPN)神经网络模型来提取 SAR 图像特征。 将 ResNet101 作为主干网络模型用于特征提取,在主干网络模型中加入卷积注意力模块引导神经网络有针对性地提取 SAR 图像关键特征信息。 然后结合特征金字塔网络,实现神经网络高层特征与底层特征融合,丰富特征信息。 最后融合迁移学习思想,通过数据相对充足的仿真 SAR 图像对 RCF 网络模型进行预训练。 将预训练获取的模型参数迁移至目标网络,作为目标网络的初始化参数,并使用目标网络对 SAR 图像进行迭代训练。 实验结果表明,该方法能有效提升小样本数据 SAR 图像的识别精度,在 MSTAR 数据集上达到 99. 60% 的识别率。

关键词：ResNet101;迁移学习;合成孔径雷达;卷积注意力模块;特征金字塔网络