基于GCN和CNN联合的SAR图像自动目标识别

来源：雷达科学与技术杂志2024年第6期北京时间：

作者：秦基凯，刘峥，谢荣，冉磊

单位：西安电子科技大学雷达信号处理全国重点实验室， 陕西西安 710071

摘要：基于卷积神经网络（Convolutional Neural Network, CNN）的合成孔径雷达（Synthetic Aperture Radar, SAR）自动目标识别（Automatic Target Recognition, ATR）技术近些年来备受关注，已成为SAR图像解译领域的研究热点。然而，这类方法主要利用的是SAR图像的幅值信息，仅从局部区域中提取特征。鉴于SAR图像中的目标通常被视为散射中心的相干叠加，这些目标展现出复杂的结构和丰富的上下文信息。仅依靠CNN难以充分捕捉目标周围的全局信息，这可能会影响识别精度。因此，为了进一步提高识别性能，本研究引入图卷积网络（Graph Convolutional Network, GCN），提出一种结合GCN和CNN的SAR ATR方法。该方法首先利用传统CNN提取与SAR图像幅值相关的局部特征，接着通过构造图数据并应用GCN提取全局特征。此外，本研究还设计了多尺度GCN，通过融合不同尺度的特征来增强模型对图数据的学习能力。在模型训练阶段，采用标签平滑技术以缓解过拟合问题。通过端到端的训练策略，实现了GCN和CNN参数的联合优化，从而实现高精度的SAR图像目标识别。最终，通过在MSTAR和OpenSARship数据集上的实验表明，所提方法在识别性能上优于现有技术，并展现出卓越的泛化能力。

关键词：合成孔径雷达,图卷积网络,卷积神经网络,自动目标识别,多尺度GCN,

基金资助：国家自然科学基金（No.62001346）