论文部分内容阅读
随着合成孔径雷达(Synthetic Aperture Radar,SAR)系统在军事及民用领域的广泛使用,SAR图像数据的规模开始急速扩增,不同应用场景下的SAR图像目标分类需求也不断增多。传统目标分类算法需要在分析数据集后针对图像特性手动设计特征提取器,设计过程复杂繁琐且对专业知识依赖严重,难以满足实际需求,因此深度学习方法开始被引入SAR图像目标分类领域。但是,由于现有带标签SAR图像数据集规模较小,且SAR图像与光学图像在图像特征上存在一定差异,直接将光学图像卷积神经网络模型应用到SAR图像上往往很难取得理想效果。针对上述问题,本文提出了基于卷积神经网络迁移学习的SAR图像目标分类方法,论文的主要工作内容如下:1、小样本问题是卷积神经网络算法实际应用中的一大难题,这一问题在数据集规模较小的SAR图像分类任务当中尤为突出。为了能将卷积神经网络算法更好的应用于SAR图像分类任务,论文中,针对SAR图像军用及民用车辆的二分类任务,我们提出了基于卷积神经网络的SAR图像目标分类方法。该方法从模型的角度出发,通过压缩模型参数量,调整网络卷积结构来解决小样本问题及光学图像与SAR图像的差异性问题,在现有光学卷积神经网络模型的基础上,我们提出了一种适用于SAR图像的卷积神经网络模型。基于MSTAR及GOTCHA数据集的实验结果验证了该模型在SAR图像目标分类任务中的精确性和高可泛用性。2、相对于SAR图像而言,光学图像数据的来源更为广泛,获取也更加容易。通过参数迁移的方式,利用在大规模光学数据集上充分训练的预训练模型来辅助SAR图像分类模型的训练,是解决小样本问题的另一种思路。但是,针对SAR图像所设计的分类模型与现有的光学卷积神经网络模型在结构上有很大不同,传统的迁移学习方法无法实现结构不同的网络间的参数迁移。因此,在论文中,我们提出了一种基于异构网络迁移的SAR目标分类方法。该方法将源域模型及目标域模型作为两个分支组合为一个双流网络,在训练中约束网络的两个分支在输入数据一致的情况下输出近似或相同,进而达到知识迁移的效果。基于MSTAR数据集的实验结果,验证了该方法的有效性。