基于深度學(xué)習(xí)的SAR特征提取與目標(biāo)識(shí)別研究.pdf

1、SAR圖像的應(yīng)用需求與日俱增，SAR圖像目標(biāo)識(shí)別技術(shù)也在發(fā)展。由于硬件性能提升和有效訓(xùn)練算法的提出，近年深度學(xué)習(xí)重獲關(guān)注，并在圖像識(shí)別領(lǐng)域取得成功。本文應(yīng)用深度學(xué)習(xí)的理論和方法，結(jié)合SAR圖像的特點(diǎn)，研究了基于深度學(xué)習(xí)的SAR特征提取與目標(biāo)識(shí)別方法。主要研究?jī)?nèi)容如下：
　　根據(jù)SAR圖像的特性指出了SAR圖像目標(biāo)識(shí)別中的難點(diǎn)。SAR圖像目標(biāo)具有多變不確定的特點(diǎn)，傳統(tǒng)識(shí)別方法需要大量的專(zhuān)業(yè)知識(shí)，需要對(duì)圖像預(yù)處理，不能自動(dòng)提取有效的特

2、征。深度學(xué)習(xí)具有盲學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的能力，本文使用深度學(xué)習(xí)解決該問(wèn)題，將普通神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)三種深度結(jié)構(gòu)分別用于三類(lèi)和十類(lèi)的SAR目標(biāo)識(shí)別。通過(guò)對(duì)比發(fā)現(xiàn)在帶標(biāo)簽樣本足夠的情況下，深度置信網(wǎng)絡(luò)的預(yù)訓(xùn)練對(duì)普通神經(jīng)網(wǎng)絡(luò)提升不大，二者的識(shí)別性能幾乎相同。
　　深度學(xué)習(xí)對(duì)參數(shù)和結(jié)構(gòu)十分敏感，實(shí)驗(yàn)發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)在不同激活函數(shù)下對(duì)SAR目標(biāo)識(shí)別結(jié)果差異巨大，其中ReLu函數(shù)最適合作為卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。接下來(lái)分析了卷積

3、神經(jīng)網(wǎng)絡(luò)中間結(jié)構(gòu)對(duì)SAR目標(biāo)識(shí)別的影響。池化層分別選擇 mean-pooling和max-pooling，對(duì)比識(shí)別結(jié)果，并利用池化后的特征重構(gòu)圖像，對(duì)比與原圖像的相似度，結(jié)果表明mean-pooling更適合作為SAR目標(biāo)識(shí)別時(shí)的池化層特征選擇方法。改變卷積核大小發(fā)現(xiàn)最適合的卷積核大小和目標(biāo)圖像尺寸是相關(guān)的。
　　本文還考慮了SAR圖像目標(biāo)在有遮擋情況下的識(shí)別問(wèn)題。卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)區(qū)域50％遮擋率的情況下識(shí)別率有所下降。Drop

4、out方法的思想在于每次訓(xùn)練時(shí)隨機(jī)丟棄部分神經(jīng)元，這樣訓(xùn)練出來(lái)的模型具備了只使用部分信息進(jìn)行推斷預(yù)測(cè)的能力。實(shí)驗(yàn)結(jié)果證明了在SAR目標(biāo)遮擋的情況下使用了Dropout的神經(jīng)網(wǎng)絡(luò)識(shí)別率有所提高。
　　三種深度模型的對(duì)比顯示卷積神經(jīng)網(wǎng)絡(luò)對(duì)SAR目標(biāo)特征提取的可分性好于其他二者，對(duì)三類(lèi)和十類(lèi)目標(biāo)的識(shí)別率分別達(dá)到了99.8%和96.3%，明顯高于前兩種模型。對(duì)卷積神經(jīng)網(wǎng)絡(luò)提取的特征可視化，發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)在特征提取上能很好地抓住SAR圖像