论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种宽带高分辨成像雷达,具有全天时、全天候、远作用距离等特点。由于突破了传统雷达单一孔径的限制,能够通过虚拟孔径合成实现高分辨成像,因此SAR能够获得目标形状、结构、散射特性等丰富信息。基于SAR的自动目标识别(Automatic Target Recognition,ATR),特别是典型军事目标识别技术在战场侦察、态势感知、探测制导等领域发挥着重要作用。与光学图像不同,单极化SAR图像为灰度图并具有很强的各向异性,同时容易受杂波的干扰,从而增加了ATR的难度。传统的SAR ATR方法首先针对SAR图像特点人工提取特征,继而设计分类器进行识别。但是,人工提取特征依靠大量的先验知识且步骤繁琐,不利于SAR ATR的智能化和自动化。近年来,深度学习理论及方法快速发展,并在SAR ATR领域获得了大量成功应用。虽然该类方法具备强大的自动特征提取能力,并不需要大量的专业知识,但仍面临所学特征可分性不强、特征冗余、小样本识别性能迅速下降等难点及关键问题。针对上述问题,论文通过设计有效的深度网络结构,实现典型军事目标SAR图像的准确识别。论文主要内容如下:1.介绍经典的运动和静止目标识别与获取(moving and stationary target acquisition and recognition,MSTAR)数据集,进而给出传统卷积神经网络(Convolutional Neural Network,CNN)的原理、基本结构及训练方法。为减小MSTAR数据集中杂波的高度相关性对识别性能分析的不利影响,提出基于形态学滤波的SAR图像分割算法,实现了SAR目标与背景杂波的有效分离。最终,给出所设计网络结构在不同观测条件下的识别率。2.针对传统CNN结构在SAR ATR任务中泛化性能差、收敛速度慢等问题,提出一种大间隔softmax批规范化处理CNN(large-margin softmax batch-normalization,LM-BN-CNN)结构。该结构在网络最后一层利用大间隔softmax分类器增加不同类别样本间的可分性,同时采用批规范化(batch normalization,BN)处理加快网络收敛速度。实验结果表明,与传统CNN结构相比,LM-BN-CNN在SAR ATR任务中具有更好的识别精度和泛化性能。3.针对传统CNN所提取的特征通常包含冗余信息,从而干扰分类器,降低网络识别率的问题,提出强化压缩激励网络(enhanced squeeze and excitation network,ESENet)结构。ESENet借助注意力机制对CNN中包含重要信息的特征进行增强,同时抑制包含较少信息的冗余特征。在MSTAR数据集上的实验结果表明,与传统应用于SAR ATR的CNN结构相比,ESENet能够自动从图像中提取更有效的特征,从而提高识别性能。4.针对现有基于深度学习的SAR ATR算法需要大量训练数据,在训练样本不足时性能严重下降的问题,提出适用于小样本SAR ATR的卷积-双向长短时原型网络(Conv-Bi LSTM Prototypical Network,CBLPN)。该网络根据小样本学习(Few-shot Learning,FSL)理论,有效降低识别算法对待分类目标训练样本数的要求。CBLPN的识别过程包括两个阶段:第一阶段训练嵌入网络,从而将SAR图像从原始空间映射到便于分类的嵌入空间;第二阶段采用欧几里得距离分类器对嵌入空间中的样本进行分类。MSTAR三类目标识别结果表明,CBLPN只需几张训练样本就能获得较高识别率。5.现有基于深度学习的SAR ATR算法大都采用基于归纳推理的分类器,即依赖训练样本和测试样本之间的相似度进行分类。针对小样本SAR ATR待识别目标训练样本数量有限,基于归纳推理的分类器识别率不高等问题,将归纳推理和转导推理结合,提出混合推理的分类策略,并设计混合推断网络(hybrid inference network,HIN)。该网络分类器包含归纳推理和转导推理两个部分。在归纳推理部分,根据欧几里得距离对每个样本进行独立分类。在转导推理部分,将所有测试样本当做一个整体,进而根据其流形结构使用标签传播算法进行分类。最终,对两种分类方法的结果进行综合以得到混合推断识别结果。同时,提出新的增强混合损失函数以增加样本间的可分性,进而实现网络权值的有效训练。MSTAR数据实验结果表明,HIN有效提高了小样本条件下SAR目标的识别率和稳定性。