少量样本下基于孪生CNN的SAR目标识别

来源：雷达科学与技术杂志2019年第6期北京时间：

作者：王博威，潘宗序，胡玉新，马闻

单位：1.中国科学院大学，北京100049;2.中国科学院电子学研究所，北京100190;3.中国科学院空间信息处理与应用系统技术重点实验室，北京100190

摘要：针对深度学习中的有监督学习需要大量的标注数据，提出了一种少量训练样本下的SAR目标识别方法，解决了SAR图像人工标注成本较高、标注样本不足的问题。首先通过构建正负样本对的策略对数据集进行样本扩充，大幅增加数据量；其次，设计了一种基于度量学习和深度学习的孪生卷积神经网络(孪生CNN)，用于衡量样本之间的相似概率；然后采用多任务联合学习的方法训练模型，有效缓解了相干斑噪声对SAR图像的影响，降低了噪声过多易引起的过拟合风险；最后，设计了一种基于孪生CNN的识别样本具体类别的加权投票模型。实验采用了MSTAR和OpenSARShip数据集，在小规模训练集上通过上述方法取得了较好的识别效果。

关键词：少量样本,孪生卷积神经网络(孪生CNN),SAR目标识别,过拟合,

基金资助：国家自然科学基金(No.61701478)