随着深度学习在计算机视觉领域取得令人鼓舞的成果,基于深度学习技术实现对合成孔径雷达(Synthetic Aperture Radar,SAR)图像中时敏目标的分类识别已成为可能,实测SAR图像中时敏目标自动识别应用再次吸引了全球广大学者的目光。受客观...随着深度学习在计算机视觉领域取得令人鼓舞的成果,基于深度学习技术实现对合成孔径雷达(Synthetic Aperture Radar,SAR)图像中时敏目标的分类识别已成为可能,实测SAR图像中时敏目标自动识别应用再次吸引了全球广大学者的目光。受客观条件所限,高质量实测SAR目标样本切片的获取代价大、成本高、数量少,且SAR对成像参数和目标姿态敏感,导致SAR图像面临的少样本条件下的目标识别问题更为突出。本文深度挖掘MSTAR(Moving and Stationary Target Acquisition and Recognition)数据集的目标识别潜力,针对10类SAR图像车辆目标分类识别潜能进行了研究和分析。为衡量不同样本数量条件下SAR目标识别潜能,同时降低对目标样本选取的随机性,提出利用不同数量实测训练样本,生成全角度训练数据集,对参与训练的样本进行规范化和合理化采样处理;将全角度扩充后得到的训练样本集作为标准模板数据集,通过遍历模板数据集,采用似然比相似性度量(Likelihood Ratio Similarity Measure,LiRSM)来衡量目标相似性,利用SAR图像的灰度统计特性,基于变化检测技术构建变化检测量,实现SAR车辆目标的分类识别;基于MSTAR数据集,深入开展了10-Way-N-Shot的少样本条件下的SAR车辆目标分类识别问题研究,并通过试验对比形成性能基准,方便其他学者在该数据集中进一步开展少样本条件下目标识别对比分析。展开更多
文摘随着深度学习在计算机视觉领域取得令人鼓舞的成果,基于深度学习技术实现对合成孔径雷达(Synthetic Aperture Radar,SAR)图像中时敏目标的分类识别已成为可能,实测SAR图像中时敏目标自动识别应用再次吸引了全球广大学者的目光。受客观条件所限,高质量实测SAR目标样本切片的获取代价大、成本高、数量少,且SAR对成像参数和目标姿态敏感,导致SAR图像面临的少样本条件下的目标识别问题更为突出。本文深度挖掘MSTAR(Moving and Stationary Target Acquisition and Recognition)数据集的目标识别潜力,针对10类SAR图像车辆目标分类识别潜能进行了研究和分析。为衡量不同样本数量条件下SAR目标识别潜能,同时降低对目标样本选取的随机性,提出利用不同数量实测训练样本,生成全角度训练数据集,对参与训练的样本进行规范化和合理化采样处理;将全角度扩充后得到的训练样本集作为标准模板数据集,通过遍历模板数据集,采用似然比相似性度量(Likelihood Ratio Similarity Measure,LiRSM)来衡量目标相似性,利用SAR图像的灰度统计特性,基于变化检测技术构建变化检测量,实现SAR车辆目标的分类识别;基于MSTAR数据集,深入开展了10-Way-N-Shot的少样本条件下的SAR车辆目标分类识别问题研究,并通过试验对比形成性能基准,方便其他学者在该数据集中进一步开展少样本条件下目标识别对比分析。
