基于“数据驱动＋智能学习”的合成孔径雷达学习成像

对感兴趣目标的数量、位置、型号等参数信息的精确获取一直是合成孔径雷达(SAR)技术中最为重要的研究内容之一。现阶段的SAR信息处理主要分为成像和解译两大部分,两者的研究相对独立。SAR成像和解译各自开发了大量算法,复杂度越来越高,但SAR解译并未因成像分辨率提升而变得简单,特别是对重点目标识别率低的问题并未从本质上得以解决。针对上述问题,该文从SAR成像解译一体化角度出发,尝试利用“数据驱动+智能学习”的方法提升机载SAR的信息处理能力。首先分析了基于“数据驱动+智能学习”方法的SAR成像解译一体化的可行性及现阶段存在的主要问题;在此基础上,提出一种“数据驱动+智能学习”的SAR学习成像方法,给出了学习成像框架、网络参数选取方法、网络训练方法和初步的仿真结果,并分析了需要解决的关键性技术问题。      

基于SVD-SRNet的SAR三维成像方法

合成孔径雷达（SAR）三维成像是传统二维SAR成像在雷达精细信息获取与感知领域的重要发展,可分辨重叠于二维SAR图像同一像素中的多个目标。稀疏信号处理是进行SAR三维成像的有效方法,但由于稀疏信号处理的非线性特征,常需迭代运算,效率较低。研究人员已提出利用深度学习技术实现快速解算非线性信号处理问题的思路,在三维成像领域已有初步应用。然而,由于SAR三维实测数据稀缺,三维成像网络的训练只能依赖于仿真数据进行,并且仿真数据与实测数据存在差异大的问题,导致基于深度学习方法的SAR三维成像精度受限。为此,本文提出了一种基于奇异值分解的信号空间归一化超分辨网络（SVD Signal-Space Normalization Super-Resolution Net,SVD-SRNet）,能够解决由于仿真数据与实测数据存在差异大导致的三维成像网络化方法鲁棒性低的问题,与传统方法相比所提方法具有更优异的成像精度。计算机仿真试验和无人机SAR实测数据试验证明了本文所提方法的有效性。      

基于自学习稀疏先验的三维SAR成像方法

合成孔径雷达三维成像技术(3D SAR)能通过孔径维度扩展实现三维成像能力,但数据维度大、系统实现难、成像分辨率低。压缩感知稀疏重构技术在简化3D SAR系统、提升成像质量等方面展现出巨大潜力,但面临计算复杂度高、参数设置困难、弱稀疏场景适应差等新问题,制约了其实际应用。针对上述问题,该文结合卷积神经网络的特征学习及迭代算法的深度展开理论,提出了基于自学习稀疏先验的3D SAR成像方法。首先,探讨了常规3D SAR稀疏成像中矩阵向量线性表征模型的局限性,引入成像算子提升成像算法处理效率。其次,讨论了迭代算法映射网络的深度展开模型和实现方式,包括网络拓扑结构设计、算法参数的优化约束及网络的训练方法。最后,通过仿真数据和地面实验,证明了所提方法在提升成像精度的同时,其运行时间较传统稀疏成像算法降低一个数量级。      

高分辨率机载SAR地速误差补偿

通过分析地速误差与回波相位的关系，以及地速误差的各类补偿方法，提出了基于数据插值的机载SAR地速误差补偿算法。该算法采用子孔径技术分段提取目标多普勒调频斜率，并通过低通滤波分离出载机前向速度，然后采用方位数据的插值补偿地速误差，有效地消除地速误差对成像的影响，获得满意的成像质量。文中还结合地速误差和摆动误差的补偿提出了机载SAR成像算法，高分辨实录数据的成像实验验证了本文算法的鲁棒性。     

AIR-SARShip-1.0:高分辨率SAR舰船检测数据集

近年来,深度学习技术得到广泛应用,然而在合成孔径雷达(SAR)舰船目标检测研究中,由于数据获取难、样本规模小,尚难以支撑深度网络模型的训练。该文公开了一个面向高分辨率、大尺寸场景的SAR舰船检测数据集,该数据集包含31景高分三号SAR图像,场景类型包含港口、岛礁、不同级别海况的海面等,背景涵盖近岸和远海等多样场景。同时,该文使用经典舰船检测算法和深度学习算法进行了实验,其中基于密集连接端到端网络方法效果最佳,平均精度达到88.1%。通过实验对比分析形成指标基准,方便其他学者在此数据集基础上进一步展开SAR舰船检测相关研究。      

合成孔径雷达并行成像算法研究及在曙光3000并行计算机上的实现

随着SAR成像技术的不断发展，对SAR图像的成像精度和实时率的要求也愈来愈高，尤其是军事领域，高实时率是SAR成像系统的一个关键指标。该文提出了一种基于CS成像算法的中粒度SAR并行成像算法，该算法中每一个处理步骤均能并行完成，是一种任务级的并行，适合于具有较高通信性能的并行处理系统。在曙光3000上的实验证明，该算法具有较高的实时率和并行效率。     

视频SAR成像与动目标阴影检测技术

视频合成孔径雷达(SAR)技术将观测场景的动态信息以视频方式呈现出来,其高帧率成像特性有利于实现对地面机动目标的实时探测。视频SAR信号处理关键技术主要包括高帧率成像处理算法和运动目标检测技术等。该文对视频SAR成像处理进行了探讨,给出了两种典型视频SAR成像处理仿真数据结果,详细分析了视频SAR阴影形成机理和对动目标检测性能的影响,并将基于机器学习的视频SAR阴影目标检测技术与经典处理方法在实际数据上进行了验证对比。      

HRWS SAR图像舰船目标监视技术研究综述

合成孔径雷达(Synthetic Aperture Radar, SAR)是实现舰船目标监视应用的重要遥感手段之一。高分辨率宽测绘带(High Resolution Wide Swath, HRWS) SAR 能够同时获取方位向高分辨率和宽测绘带SAR数据,为SAR图像舰船目标监视带来了新的机遇和挑战。该文综述了国内外SAR图像舰船目标监视技术研究现状,总结了舰船监视对SAR成像系统基本性能要求,结合HRWS SAR成像特点,分析了舰船目标监视面临的关键技术问题,重点介绍了研究小组在HRWS SAR图像舰船目标检测、特征提取、分类识别等关键问题的解决方案和初步研究成果,并指出需进一步研究的方向。      

快速搜索算法与极化合成孔径雷达三维成像

从全极化(hh,hv,vh,vv)合成孔径雷达(SAR)图像数据中,可提取方位向的地势倾斜度信息,形成极化SAR三维成像。该文重点研究极化 SAR三维成像快速算法;提出由 Stokes矢量推导的的极化椭圆方向用解模糊算法;讨论目标极化散射特性对提取地势高度信息的影响以及处理方法;并利用真实的极化 SAR图像数据得到了极化三维成像结果。     

弹载SAR大斜视SPECAN成像算法

由于导弹攻击的目标在航线前方,弹载SAR需具备大斜视成像能力。针对大斜视状态下回波数据方位向和距离向严重耦合、弹载SAR平台实时性要求高的特点,提出了一种基于谱分析(Spectral Analysis,SPECAN)算法的弹载SAR大斜视成像算法。通过在方位时域进行距离走动校正,降低了回波方位向和距离向的耦合;通过二维时域中方位向的SPECAN处理和方位向FFT,获得SAR成像结果。算法处理流程简单,是一种实时性高的中等分辨率成像算法,适合应用于弹载SAR大斜视成像。仿真验证了算法的有效性。     

基于非理想运动误差补偿的SAR地面运动目标成像(英文)

传统的SAR地面运动目标成像算法主要集中在距离徙动校正和目标的运动参数估计上.但在SAR实测数据处理中,非理想运动误差补偿对动目标聚焦成像质量至关重要,而且该误差既不能通过固定的SAR运动误差补偿算法来补偿,也无法通过采用自聚焦技术解决.该文根据含有非理想运动误差的SAR运动目标回波信号模型,对影响动目标多普勒中心的两类非理想运动误差进行深入分析,提出一种将INS惯导数据与距离走动轨迹相结合的非理想运动误差补偿算法,并通过实际数据和计算机仿真数据验证了该算法的有效性.      

基于并联卷积神经网络的SAR图像目标识别

基于合成孔径雷达（synthetic aperture radar，SAR）在图像目标识别领域中识别精度低的问题，设计一种利用并联卷积神经网络（convolutional neural network，CNN）来提取SAR图像特征的目标识别方法.首先利用改进的ELU激活函数代替常规的ReLU激活函数，建立与二次代价函数相结合的深度学习模型.其次采用均方根支柱（root mean square Prop，RMSProp）与Nesterov动量结合的优化算法执行代价函数参数迭代更新的任务，利用Nesterov引入动量改变梯度，从两方面改进更新方式，有效地提高网络的收敛速度与精度.通过对美国国防研究规划局（DARPA）和空军研究实验室（AFRL）共同推出的MSTAR数据集进行实验，实验表明，该文提出的算法能充分提取出SAR图像中各类目标所蕴含的信息，具有较好的识别性能，是一种有效的目标识别算法.     

干涉SAR三维地形成像数据处理技术综述

干涉合成孔径雷达（InSAR，Interferometric Synthetic Aperture Radar）三维地形成像技术能够提供精确的高分辨率地形高度信息，它在上世纪后期发展非常迅速，目前仍是SAR技术领域的研究热点之一。本文给出了干涉SAR三维地形成像数据处理流程及主要步骤，综述了图像配准、相位展开、基线估计以及高度计算等干涉SAR数据处理步骤实现算法的发展概况，比较了各种算法的优劣，最后分析了干涉SAR三维地形成像数据处理所面临的技术难点，并对未来的研究重点作了展望。     

基于Jetson TX2的SAR船只目标检测实现

深度学习技术在SAR (Synthetic Aperture Radar)船只目标检测领域应用越来越广泛.然而,移动平台(机载/星载)有限的资源限制了基于深度学习的SAR船只目标检测技术应用.为了促进深度学习技术在移动平台的应用,本文开展了基于改进YOLOv2的SAR目标检测算法Jetson TX2嵌入式平台实现研究....     

二维匹配滤波实现多角度SAR成像

 多角度SAR图像能够更全面描述目标不同角度下的特征信息,对目标识别具有重要意义.实现多角度SAR成像需要解决两个问题,一是在多角度测量模式下,传统成像算法的远场条件不能满足,成像散焦严重;二是空间采样不连续使得基于傅里叶变换的成像算法产生很高的旁瓣.本文利用二维匹配滤波函数的聚焦功能实现多角度SAR成像.通过调整成像参考点位置构造二维匹配函数,然后将测量数据用匹配函数进行滤波.与传统SAR成像算法相比,本文提出的多角度SAR成像算法突破了空间采样必须均匀和连续的束缚,更具有普适性.实验结果表明本文算法不仅能够实现多角度SAR成像,提高成像分辨率,而且多角度SAR图像能够描述目标散射特征的空间变化.     

基于分块CNN的多尺度SAR图像目标分类算法

针对合成孔径雷达（Synthetic Aperture Radar, SAR）图像目标分辨率差异大,多尺度SAR图像目标分类准确率不高的问题,提出了一种基于迁移学习和分块卷积神经网络（Convolutional Neural Network, CNN）的SAR图像目标分类算法。首先通过大量与目标域相近的源域数据对分块CNN的参数进行训练,得到不同尺度下的CNN特征提取网络;其次将CNN的卷积和池化层迁移到新的网络结构中,实现目标特征的提取;最后用超限学习机（Extreme Learning Machine, ELM）网络对提取的特征进行分类。实验数据采用美国MSTAR数据库以及多尺度SAR图像舰船目标数据集,实验结果表明,该方法对多尺度SAR图像的分类效果优于传统CNN。     

利用缺失数据幅度相位估计提取多角度SAR特征

提取多角度SAR特征对雷达目标识别具有重要价值。该文利用缺失数据幅度相位估计提取多角度SAR特征,本质上是缺失数据情形下的参数估计问题。该算法无需利用目标参数化模型,是一种数据驱动的自适应估计方法;同时,它无需填充缺失数据,避免了因插值导致的误差。实验表明该算法不仅能够提高目标位置和幅度估计精度、实现超分辨成像,而且对噪声和模型失配具有鲁棒性,实验同时验证了多角度SAR重构目标轮廓的优势。     

利用多角度SAR数据实现三维成像

利用多角度 SAR 数据实现目标高分辨率3维成像对雷达自动目标识别具有重要价值。该文在目标散射稀疏性前提下提出了基于压缩感知的多角度SAR 3维成像方法。文章首先论证多角度SAR测量能够改善测量矩阵的互不相关性。然后根据互不相干影响因素分析,合理选择目标离散间隔构造多角度 SAR 测量矩阵。最后利用分段正交匹配追踪算法实现目标向量的稀疏重构。该文算法不仅改善了高度分辨率,而且克服了多角度 SAR空间采样不连续导致的高旁瓣问题。实验验证了该算法的可行性和稳定性。     

无先验模型复杂结构设施SAR全方位三维成像方法研究

复杂结构设施的SAR三维成像是SAR成像领域的热点和难点问题。现有SAR三维成像依赖于高程方向的多通道或多次飞行,对雷达系统或数据获取的要求较高。该文提出无先验模型复杂结构设施三维成像方法,仅需一次飞行即可获得先验信息未知区域全场景全方位三维图像。该方法充分利用圆迹SAR的全方位观测、解叠掩和解高程模糊优势,无需目标预先建模和三维成像网格构建,适用于大面积区域复杂结构设施的精细三维成像,在雷达三维成像实用化技术方面取得了重要进展。通过该方法首次获得FAST射电望远镜的雷达全方位三维图像,验证了理论与方法的正确性与有效性。      

面向SAR目标识别深度网络可理解的类激活映射方法

随着深度学习方法在合成孔径雷达(SAR)图像解译领域的广泛应用,SAR目标识别深度网络可理解性问题逐渐受到学者的关注。类激活映射(CAM)作为常用的可理解性算法,能够通过热力图的方式,直观展示对识别任务起作用的显著性区域。然而作为一种事后解释的方法,其只能静态展示当次识别过程中的显著性区域,无法动态展示当输入发生变化时显著性区域的变化规律。该文将扰动的思想引入类激活映射,提出了一种基于SAR背景杂波特性类激活映射方法(SCC-CAM),通过对输入图像引入同分布的全局扰动,逐步向SAR识别深度网络施加干扰,使得网络判决发生翻转,并在此刻计算网络神经元输出激活值的变化程度。该方法既能解决添加扰动可能带来的扰动传染问题,又能够动态观察和度量目标识别网络在识别过程中显著性区域的变化规律,从而增强深度网络的可理解性。在MSTAR数据集和OpenSARShip-1.0数据集上的试验表明,该文提出的算法具有更加精确的定位显著性区域的能力,相比于传统方法,在平均置信度下降率、置信度上升比例、信息量等评估指标上,所提算法具有更强的可理解性,能够作为通用的增强网络可理解性的方法。