论文部分内容阅读
SAR图像的应用需求与日俱增,SAR图像目标识别技术也在发展。由于硬件性能提升和有效训练算法的提出,近年深度学习重获关注,并在图像识别领域取得成功。本文应用深度学习的理论和方法,结合SAR图像的特点,研究了基于深度学习的SAR特征提取与目标识别方法。主要研究内容如下:根据SAR图像的特性指出了SAR图像目标识别中的难点。SAR图像目标具有多变不确定的特点,传统识别方法需要大量的专业知识,需要对图像预处理,不能自动提取有效的特征。深度学习具有盲学习和无监督学习的能力,本文使用深度学习解决该问题,将普通神经网络、深度置信网络和卷积神经网络三种深度结构分别用于三类和十类的SAR目标识别。通过对比发现在带标签样本足够的情况下,深度置信网络的预训练对普通神经网络提升不大,二者的识别性能几乎相同。深度学习对参数和结构十分敏感,实验发现卷积神经网络在不同激活函数下对SAR目标识别结果差异巨大,其中ReLu函数最适合作为卷积神经网络的激活函数。接下来分析了卷积神经网络中间结构对SAR目标识别的影响。池化层分别选择mean-pooling和max-pooling,对比识别结果,并利用池化后的特征重构图像,对比与原图像的相似度,结果表明mean-pooling更适合作为SAR目标识别时的池化层特征选择方法。改变卷积核大小发现最适合的卷积核大小和目标图像尺寸是相关的。本文还考虑了SAR图像目标在有遮挡情况下的识别问题。卷积神经网络在目标区域50%遮挡率的情况下识别率有所下降。Dropout方法的思想在于每次训练时随机丢弃部分神经元,这样训练出来的模型具备了只使用部分信息进行推断预测的能力。实验结果证明了在SAR目标遮挡的情况下使用了Dropout的神经网络识别率有所提高。三种深度模型的对比显示卷积神经网络对SAR目标特征提取的可分性好于其他二者,对三类和十类目标的识别率分别达到了99.8%和96.3%,明显高于前两种模型。对卷积神经网络提取的特征可视化,发现卷积神经网络在特征提取上能很好地抓住SAR图像的局部相关性,保持图像的空间结构。