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

doi:10.12000/JR16037

基于卷积神经网络的SAR图像目标识别研究

doi: 10.12000/JR16037

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)

详细信息

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

SAR ATR Based on Convolutional Neural Network

1.
ATR Key Laboratory, National University of Defense Technology, Changsha 410073, China

Funds:

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。
- 合成孔径雷达 /
- 自动目标识别 /
- 卷积神经网络 /
- 支持向量机 /
- BP算法
Abstract: This study presents a new method of Synthetic Aperture Radar (SAR) image target recognition based on a convolutional neural network. First, we introduce a class separability measure into the cost function to improve this network's ability to distinguish between categories. Then, we extract SAR image features using the improved convolutional neural network and classify these features using a support vector machine. Experimental results using moving and stationary target acquisition and recognition SAR datasets prove the validity of this method.
- Synthetic Aperture Radar (SAR) /
- Automatic Target Recognition (ATR) /
- Convolutional Neural Network (CNN) /
- Support Vector Machine (SVM) /
- Back Propagation (BP)

[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]	赵鹏菲, 黄丽佳. 一种基于EfficientNet与BiGRU的多角度SAR图像目标识别方法 . 雷达学报, 2021, 10(): 1-10. doi: 10.12000/JR20133
[2]	李永祯, 黄大通, 邢世其, 王雪松. 合成孔径雷达干扰技术研究综述 . 雷达学报, 2020, 9(5): 753-764. doi: 10.12000/JR20087
[3]	黄岩, 赵博, 陶明亮, 陈展野, 洪伟. 合成孔径雷达抗干扰技术综述 . 雷达学报, 2020, 9(1): 86-106. doi: 10.12000/JR19113
[4]	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, 2020, 9(1): 143-153. doi: 10.12000/JR19077
[5]	李宁, 牛世林. 基于局部超分辨重建的高精度SAR图像水域分割方法 . 雷达学报, 2020, 9(1): 174-184. doi: 10.12000/JR19096
[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, 2020, 9(4): 622-631. doi: 10.12000/JR19093
[7]	郭炜炜, 张增辉, 郁文贤, 孙效华. SAR图像目标识别的可解释性问题探讨 . 雷达学报, 2020, 9(3): 462-476. doi: 10.12000/JR20059
[8]	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
[9]	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
[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]	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
[12]	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
[13]	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
[14]	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
[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]	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
[17]	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
[18]	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
[19]	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
[20]	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

点击查看大图

计量

文章访问数: 3228
HTML全文浏览量: 1162
PDF下载量: 2646
被引次数: 0

基于卷积神经网络的SAR图像目标识别研究

doi: 10.12000/JR16037

通讯作者:
田壮壮tzz14@nudt.edu.cn

SAR ATR Based on Convolutional Neural Network

计量

基于卷积神经网络的SAR图像目标识别研究

doi: 10.12000/JR16037

1. (国防科学技术大学自动目标识别重点实验室长沙 410073)

通讯作者: 田壮壮tzz14@nudt.edu.cn

English Abstract

SAR ATR Based on Convolutional Neural Network

1. ATR Key Laboratory, National University of Defense Technology, Changsha 410073, China

全文HTML

目录

期刊介绍

联系我们

基于卷积神经网络的SAR图像目标识别研究

doi: 10.12000/JR16037

通讯作者: 田壮壮tzz14@nudt.edu.cn

SAR ATR Based on Convolutional Neural Network

计量

出版历程

基于卷积神经网络的SAR图像目标识别研究

doi: 10.12000/JR16037

1. (国防科学技术大学自动目标识别重点实验室 长沙 410073)

通讯作者: 田壮壮tzz14@nudt.edu.cn

English Abstract

SAR ATR Based on Convolutional Neural Network

1. ATR Key Laboratory, National University of Defense Technology, Changsha 410073, China

全文HTML

目录

期刊介绍

联系我们

通讯作者:
田壮壮tzz14@nudt.edu.cn

1. (国防科学技术大学自动目标识别重点实验室长沙 410073)