《雷达学报杂志》发表论文赏析

基于属性散射中心卷积核调制的SAR目标识别深层网络

来源:雷达学报杂志2024年第2期北京时间:

作者:李毅, 杜兰, 周可儿, 杜宇昂

单位:西安电子科技大学雷达信号处理全国重点实验室 西安 710071;

摘要:卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。

关键词:合成孔径雷达(SAR), 目标识别, 卷积神经网络(CNN), 属性散射中心(ASC), 卷积核调制

基金资助:国家自然科学基金(U21B2039)

2024年2期其他文献查阅:

微波视觉与SAR图像智能解译

SAR图像飞机目标智能检测识别技术研究进展与展望

基于时频分析的SAR目标微波视觉特性智能感知方法与应用

格式塔感知规律在SAR图像中的有效性初探

面向SAR图像目标分类的CNN模型可视化方法

面向目视解译的全极化SAR船只精细化特征表征方法

基于极化SAR梯度和复Wishart分类器的舰船检测

基于散射点拓扑和双分支卷积神经网络的SAR图像小样本舰船分类

面向SAR目标识别深度网络可理解的类激活映射方法

融合可微分渲染的SAR多视角样本增广

基于RANSAC和三维谱峰分析的全姿态散射中心建模

微波光子SAR最优子带融合的全分辨伪彩图生成方法

基于属性散射中心卷积核调制的SAR目标识别深层网络

填文献完整题目 获取完整文献

填写需求
联系方式
注:学术顾问会在1小时内联系您,请留意!