基于卷积神经网络的SAR图像目标识别研究

田壮壮 占荣辉 胡杰民 张军

引用本文:
Citation:

基于卷积神经网络的SAR图像目标识别研究

    作者简介: 田壮壮(1993-),男,硕士生,研究方向为雷达目标识别。E-mail:tzz14@nudt.edu.cn;占荣辉(1978-),男,讲师,博士,研究方向为雷达目标识别、雷达信息处理;胡杰民(1983-),男,讲师,博士,研究方向为空间目标识别、雷达成像;张军(1973-),男,研究员,博士,研究方向为雷达智能信号处理、制导雷达应用技术。.
    通讯作者: 田壮壮tzz14@nudt.edu.cn
  • 基金项目:

    国家自然科学基金(61471370)

SAR ATR Based on Convolutional Neural Network

    Corresponding author:
  • Fund Project: The National Natural Science Foundation of China (61471370)

  • 摘要: 针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。
  • [1] Ross T D, Worrell S W, Velten V J, et al.. Standard SAR ATR evaluation experiments using the MSTAR public release data set[C]. Aerospace/Defense Sensing and Controls, International Society for Optics and Photonics, 1998: 566-573.
    [2] Tao W, Xi C, Xiangwei R, et al.. Study on SAR target recognition based on support vector machine[C]. 2009 2nd Asian-Pacific Conference on Synthetic Aperture Radar, 2009: 856-859.
    [3] 王璐, 张帆, 李伟, 等. 基于 Gabor 滤波器和局部纹理特征提取的 SAR 目标识别算法[J]. 雷达学报, 2015, 4(6): 658-665. DOI: 10.12000/JR15076. Wang Lu, Zhang Fan, Li Wei, et al.. A method of SAR target recognition based on Gabor filter and local texture feature extraction[J]. Journal of Radars, 2015, 4(6); 658-665. DOI: 10.12000/JR15076.
    [4] 齐会娇, 王英华, 丁军, 等. 基于多信息字典学习及稀疏表示的SAR目标识别[J]. 系统工程与电子技术, 2015, 37(6): 1280-1287. Qi Huijiao, Wang Yinghua, Ding Jun, et al.. SAR target recognition based on multi-information dictionary learning and sparse representation[J]. Systems Engineering and Electronics, 2015, 37(6): 1280-1287.
    [5] Hinton G E and Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507.
    [6] Hinton G E, Osindero S, and Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554.
    [7] Vincent P, Larochelle H, Lajoie I, et al.. Stacked denoisingautoencoders: learning useful representations in a deep network with a local denoisingcriterion[J]. The Journal of Machine Learning Research, 2010, 11: 3371-3408.
    [8] Lecun Y, Bottou L, Bengio Y, et al.. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.
    [9] Ma Y, He J, Wu L, et al.. An effective face verification algorithm to fuse complete features in convolutional neural network[C]. MultiMedia Modeling. Springer International Publishing, 2016: 39-46.
    [10] Ijjina E P and Mohan C K. Human action recognition based on motion capture information using fuzzy convolution neural networks[C]. 2015 Eighth International Conference on Advances in Pattern Recognition (ICAPR), Kalkata, 2015: 1-6.
    [11] Ciompi F, de Hoop B, van Riel S J, et al.. Automatic classification of pulmonary peri-fissural nodules in computed tomography using an ensemble of 2D views and a convolutional neural network out-of-the-box[J]. Medical Image Analysis, 2015, 26(1): 195-202.
    [12] 尹宝才, 王文通, 王立春. 深度学习研究综述[J]. 北京工业大学学报, 2015, 41(1): 48-59. Yin Bao-cai, Wang Wen-tong, and Wang Li-chun. Review of deep learning[J]. Journal of Beijing University of Technology, 2015, 41(1): 48-59.
    [13] Lecun Y, Bengio Y, and Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.
    [14] Rumelhart D E, Hinton G E, and Williams R J. Learning representations by back-propagating errors[J]. Nature, 1986, 323(6088): 533-536.
    [15] 孙艳丰, 齐光磊, 胡永利, 等. 基于改进 Fisher 准则的深度卷积神经网络识别算法[J]. 北京工业大学学报, 2015, 41(6): 835-841. Sun Yanfeng, Qi Guanglei, Hu Yongli, et al.. Deep convolution neural network recognition algorithm based on improved fisher criterion[J]. Journal of Beijing University of Technology, 2015, 41(6): 835-841.
    [16] Cortes C and Vapnik V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297.
    [17] 孙即祥, 等. 现代模式识别[M]. 北京: 高等教育出版社, 2008: 624-625. Sun Jixiang, et al.. Pattern Recognition[M]. Beijing: Higher Education Press, 2008: 624-625.
    [18] Glorot X and Bengio Y. Understanding the difficulty of training deep feedforward neural networks[J]. Journal of Machine Learning Research, 2010, 9: 249-256.
  • [1] 周雨王海鹏陈思喆 . 基于数值散射模拟与模型匹配的SAR自动目标识别研究. 雷达学报, 2015, 4(6): 666-673. doi: 10.12000/JR15080
    [2] 喻玲娟王亚东谢晓春林赟洪文 . 基于FCNN和ICAE的SAR图像目标识别方法. 雷达学报, 2018, 7(5): 622-631. doi: 10.12000/JR18066
    [3] 徐丰王海鹏金亚秋 . 深度学习在SAR目标识别与地物分类中的应用. 雷达学报, 2017, 6(2): 136-148. doi: 10.12000/JR16130
    [4] 金亚秋 . 多模式遥感智能信息与目标识别:微波视觉的物理智能. 雷达学报, 2019, 8(6): 710-716. doi: 10.12000/JR19083
    [5] 韩萍王欢 . 基于改进的稀疏保持投影的SAR目标特征提取与识别. 雷达学报, 2015, 4(6): 674-680. doi: 10.12000/JR15068
    [6] 李玮杰杨威黎湘刘永祥 . 一种噪声环境下的雷达目标高分辨率距离像鲁棒识别方法. 雷达学报, 2019, 8(): 1-10. doi: 10.12000/JR19093
    [7] 张晓玲张天文师君韦顺军 . 基于深度分离卷积神经网络的高速高精度SAR舰船检测. 雷达学报, 2019, 8(6): 841-851. doi: 10.12000/JR19111
    [8] 邢孟道林浩陈溅来孙光才严棒棒 . 多平台合成孔径雷达成像算法综述. 雷达学报, 2019, 8(6): 732-757. doi: 10.12000/JR19102
    [9] 卫扬铠曾涛陈新亮丁泽刚范宇杰温育涵 . 典型线面目标合成孔径雷达参数化成像. 雷达学报, 2019, 8(): 1-11. doi: 10.12000/JR19077
    [10] 胡涛李卫华秦先祥王鹏余旺盛李军 . 基于深度卷积神经网络和条件随机场模型的PolSAR图像地物分类方法. 雷达学报, 2019, 8(4): 471-478. doi: 10.12000/JR18065
    [11] 谢朋飞张磊吴振华 . 融合ω-K和BP算法的圆柱扫描毫米波三维成像算法. 雷达学报, 2018, 7(3): 387-394. doi: 10.12000/JR17112
    [12] 文贡坚朱国强殷红成邢孟道杨虎马聪慧闫华丁柏圆钟金荣 . 基于三维电磁散射参数化模型的SAR目标识别方法. 雷达学报, 2017, 6(2): 115-135. doi: 10.12000/JR17034
    [13] 金添 . 叶簇穿透合成孔径雷达增强成像方法. 雷达学报, 2015, 4(5): 503-508. doi: 10.12000/JR15114
    [14] 滑文强王爽侯彪 . 基于半监督学习的SVM-Wishart极化SAR图像分类方法. 雷达学报, 2015, 4(1): 93-98. doi: 10.12000/JR14138
    [15] 陶臣嵩陈思伟李永祯肖顺平 . 结合旋转域极化特征的极化SAR地物分类. 雷达学报, 2017, 6(5): 524-532. doi: 10.12000/JR16131
    [16] 陈潇翔邢孟道 . 基于空变运动误差分析的微波光子超高分辨SAR成像方法. 雷达学报, 2019, 8(2): 205-214. doi: 10.12000/JR18121
    [17] 张金松邢孟道孙光才 . 一种基于密集深度分离卷积的SAR图像水域分割算法. 雷达学报, 2019, 8(3): 400-412. doi: 10.12000/JR19008
    [18] 杜康宁邓云凯王宇李宁 . 基于多层神经网络的中分辨SAR图像时间序列建筑区域提取. 雷达学报, 2016, 5(4): 410-418. doi: 10.12000/JR16060
    [19] 赵团邓云凯王宇李宁王翔宇 . 基于扇贝效应校正的改进滑动Mosaic全孔径成像算法. 雷达学报, 2016, 5(5): 548-557. doi: 10.12000/JR16014
    [20] 任笑真杨汝良 . 一种基于幅度和相位迭代重建的四维合成孔径雷达成像方法. 雷达学报, 2016, 5(1): 65-71. doi: 10.12000/JR15135
  • 加载中
计量
  • 文章访问数:  1972
  • HTML浏览量:  829
  • PDF下载量:  2484
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-02-03
  • 录用日期:  2016-03-15
  • 刊出日期:  2016-06-28

基于卷积神经网络的SAR图像目标识别研究

    通讯作者: 田壮壮tzz14@nudt.edu.cn
    作者简介: 田壮壮(1993-),男,硕士生,研究方向为雷达目标识别。E-mail:tzz14@nudt.edu.cn;占荣辉(1978-),男,讲师,博士,研究方向为雷达目标识别、雷达信息处理;胡杰民(1983-),男,讲师,博士,研究方向为空间目标识别、雷达成像;张军(1973-),男,研究员,博士,研究方向为雷达智能信号处理、制导雷达应用技术。
  • 1. (国防科学技术大学自动目标识别重点实验室 长沙 410073)
基金项目:  国家自然科学基金(61471370)

摘要: 针对合成孔径雷达(Synthetic Aperture Radar, SAR)的图像目标识别应用, 该文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量, 提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine, SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition, MSTAR)SAR图像数据进行实验, 识别结果证明了所提方法的有效性。

English Abstract

参考文献 (18)

目录

    /

    返回文章
    返回