《雷达学报杂志》发表论文赏析
作者:曹婧宜, 张扬, 尤亚楠, 王亚敏, 杨峰, 任维佳, 刘军
单位:1.北京邮电大学人工智能学院 北京 100876;2.北京航空航天大学电子信息工程学院 北京 100191;3.长沙天仪空间科技研究院有限公司 长沙 410221;
摘要:基于深度学习的合成孔径雷达(SAR)图像目标识别技术日趋成熟。然而,受散射特性、噪声干扰等影响,同类目标的SAR成像结果存在差异。面向高精度目标识别需求,该文将目标实体、生存环境及其交互空间中不变性特征的组合抽象为目标本质特征,提出基于图网络与不变性特征感知的SAR图像目标识别方法。该方法用双分支网络处理多视角SAR图像,通过旋转可学习单元对齐双支特征并强化旋转免疫的不变性特征。为实现多粒度本质特征提取,设计目标本体特征强化单元、环境特征采样单元、上下文自适应融合更新单元,并基于图神经网络分析其融合结果,构建本质特征拓扑,输出目标类别向量。该文使用t-SNE方法定性评估算法的类别辨识能力,基于准确率等指标定量分析关键单元及整体网络,采用类激活图可视化方法验证各阶段、各分支网络的不变性特征提取能力。该文所提方法在MSTAR车辆、SAR-ACD飞机、OpenSARShip船只数据集上的平均识别准确率分别达到了98.56%, 94.11%, 86.20%。实验结果表明,该算法具备在SAR图像目标识别任务中目标本质特征提取能力,在多类别目标识别方面展现出较高的稳健性。
关键词:合成孔径雷达(SAR), 目标识别, 不变性特征提取, 本质特征, 深度学习
基金资助:国家重点研发计划(2023YFC3305901),国家自然科学基金(62101060)
2025年2期其他文献查阅:
被动雷达低慢小探测数据集(LSS-PR-1.0)及多域特征提取和分析方法
AIR-PolSAR-Seg-2.0:大规模复杂场景极化SAR地物分类数据集
LT-1A卫星全极化SAR辐射与极化系统误差稳定性分析:以热带雨林场景为例