面向小样本SAR图像自动目标识别的孪生自监督学习方法

现有的自监督学习算法对小样本合成孔径雷达（Synthetic Aperture Radar,SAR）图像表征能力不足，无法充分地满足自动目标识别（Automatic Target Recognition,ATR）性能的需求。因此，本文提出了一种基于孪生自监督学习的SAR ATR方法。首先，将无标注SAR数据通过孪生特征提取网络模块中的数据增强方式建立正负样本对；其次，通过孪生自监督学习模块中的对比学习头部网络和特征冗余降低头部网络，依据无监督对比学习损失函数和特征信息冗余损失函数进行联合优化，进而得到具有较好表征能力的预训练网络；最后，将自监督预训练网络权重加载到下游网络中，并通过交叉熵损失对下游网络进行小样本SAR图像有监督识别。实验结果表明，对于运动与静止目标获取和识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集，本文的方法仅在3.13%的训练数据上可达82.95%准确率。本文所提方法可在无标注数据中获得较好的表征能力，有效地改善小样本SAR图像识别的过拟合问题。     

相似性约束的深度置信网络在SAR图像目标识别的应用

特征提取是合成孔径雷达(SAR)图像目标识别的关键环节。SAR图像中存在的相干斑点和非光滑特性使得传统针对光学图像的特征提取方法变得很难应用。虽然可以采用深度置信网络(DBN)自动地进行特征学习,但是该方法属于无监督学习方法,这使得学习到的特征与具体的任务是无关的。该文提出一种叫做相似性约束的受限玻尔兹曼机模型。该模型在学习过程中通过约束特征向量之间的相似性达到引入监督信息的目的。另外,可以将多个相似性约束的受限玻尔兹曼机堆叠成一种新的深度模型,称其为相似性约束的深度置信网络模型。实验结果表明在SAR图像目标识别应用中,该方法相比主成分分析(PCA)以及原始DBN具有更好的识别性能。     

深度卷积神经网络在SAR自动目标识别领域的应用综述

深度卷积神经网络（DCNN）可自动学习目标层次化特征,在合成孔径雷达（SAR）自动目标识别（SAR-ATR）领域具有广泛应用前景。首先,介绍了DCNN的基本原理以及DCNN在光学图像上的应用与发展;然后,介绍了SAR-ATR的基本概念,综述了DCNN在SAR图像语义特征提取、片段级SAR图像分类、基于数据增强技术的SAR自动目标识别、异质图像变化检测等领域中的前沿应用研究及代表性网络架构;最后,总结并讨论了DCNN在SAR-ATR应用中存在的参数设置经验化、算法泛化能力较弱等不足,并对未来研究方向进行了展望。     

高斯过程模型在SAR图像目标识别中的应用

将高斯过程模型应用于合成孔径雷达（SAR）图像目标识别。高斯过程模型是基于贝叶斯框架的统计学习算法,通过结合核函数和和概率判别构建分类模型。与传统分类模型相比,高斯过程模型可以获得更高的分类效率和精度。方法实施过程中,采用SAR图像的特征矢量作为输入,以目标类别标签作为输出训练高斯过程模型。对于待识别样本,通过计算其在高斯过程模型下属于各个类别的后验概率判定其目标类别。实验中,依托MSTAR数据集在典型条件下开展测试。根据实验结果,所提方法在标准操作条件下对10类目标识别精度达到99.28%;在30°和45°俯仰角下的平均识别率分别为98.04%和73.13%;在噪声干扰各个信噪比条件下均保持最高性能。实验结果验证了所提方法的有效性和稳健性。     

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.     

一种基于EfficientNet与BiGRU的多角度SAR图像目标识别方法

合成孔径雷达(SAR)的自动目标识别(ATR)技术目前已广泛应用于军事和民用领域。SAR图像对成像的方位角极其敏感,同一目标在不同方位角下的SAR图像存在一定差异,而多方位角的SAR图像序列蕴含着更加丰富的分类识别信息。因此,该文提出一种基于EfficientNet和BiGRU的多角度SAR目标识别模型,并使用孤岛损失来训练模型。该方法在MSTAR数据集10类目标识别任务中可以达到100%的识别准确率,对大俯仰角(擦地角)下成像、存在版本变体、存在配置变体的3种特殊情况下的SAR目标分别达到了99.68%, 99.95%, 99.91%的识别准确率。此外,该方法在小规模的数据集上也能达到令人满意的识别准确率。实验结果表明,该方法在MSTAR的大部分数据集上识别准确率均优于其他多角度SAR目标识别方法,且具有一定的鲁棒性。      

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。     

SAR目标图像的统计特性

本文讨论了合成孔径雷达（SAR）图像中目标的统计特性和如何利用该特性进行自动SAR目标分类、识别,描述了一种测算基本雷达横截面的目标平滑算法。这种算法用于适当的噪声模型时,能产生出某一给定图像的许多实物构像,从而允许对目标的特征进行统计分析,增强基于特征的分类。本文用一个对实际目标进行简单分类的实验对上述理论进行了阐述。     

基于ESR的SAR目标型号识别算法

针对基于稀疏描述（SR）的识别算法的计算复杂度高,不利于算法实时、高效实现的问题,提出了一种快速稀疏描述（ESR）算法,以提高合成孔径雷达（SAR）图像目标型号识别的效率。考虑到SAR图像在一定的角度范围内惰性变化的特点,将每个型号目标的训练样本在一定方位区间内分别取平均,采用平均样本表征该方位区间内的若干个样本,以减少训练样本的数目,达到有效降低算法计算复杂度,提高SAR目标型号识别算法效率的目的。实测的MSTAR数据验证了所提快速算法的有效性。     

基于DCResNet的SAR图像车辆目标识别

合成孔径雷达（SAR）图像自动目标识别中,特征提取和目标分类是两个重要环节。残差网络（ResNet）作为一种较新的卷积神经网络,凭借其对目标特征的自适应学习能力,在SAR图像分类领域表现突出。本文在ResNet基础上,设计出了密集连接型残差网络（DCResNet）,用于SAR图像目标识别。DCResNet在残差模块中增加了跳跃性连接的密度,不仅继承了ResNet的易学习的优点,还加强了特征的传播和利用率。除此之外,DCResNet采用平均池化的方式进行下采样,抑制了SAR图像中噪声对识别精度造成的影响。关于SAR图像目标识别的实验结果证明,本文提出的DCResNet与ResNet、AlexNet相比,不仅具有更快的收敛速度和推理速度,而且目标分类的准确率更高。     

雷达高分辨距离像模板自动生成算法

模板的完备性直接决定了基于高分辨距离像的雷达目标识别系统的分类性能;在外场试验中限于目标姿态、环境等因素难以获得准确标定的目标立体角范围内全姿态模板数据。针对一维距离像识别的工程实用化需求,本文基于数据驱动思想,提出了新的一维距离像聚类模板自动生成算法。与传统方法相比,本文方法在提高工程可行性的同时提高了识别性能。为满足实验需要,本文提出了新的基于MSTAR图像的高分辨距离像反演算法,得到更精确的反演数据。基于该数据的实验结果表明算法解决了模板生成姿态角依赖性问题,提高了识别性能。      

基于卷积神经网络的胸环靶面畸变校正算法

实弹射击是部队的基础军事训练项目。现有报靶系统中基于计算机视觉的弹孔识别定位系统由于具有快速、精确、安全、人员成本低等优点而被广泛应用到该项目中。然而,计算机视觉系统处理的图像通常受镜头加工工艺以及相机轴向与被测对象所在平面不垂直的影响,导致被测对象的图像产生畸变,最终会给弹孔坐标位置的精准定位带来误差。为了提高基于计算机视觉的自动报靶系统的报靶精度,提出一种基于卷积神经网络的畸变校正算法,只需一张胸环靶面的模板图像即可模拟出大量训练数据集。训练完成后,输入一张畸变图片就可以得到该图片的畸变参数,并利用该参数完成对图像的畸变校正。与传统校正算法的对比结果表明,该算法校正效果较好,有利于提升基于计算机视觉的自动报靶系统的报靶精度。     

一种新的样本块图像修补方法

提出了基于颜色比率梯度(CRG,color ratio gradient)的样本块图像修补新方法.CRG对纹理中物体的遮挡和聚类的区分是鲁棒的,该方法的引入可以消除修补过程中纹理块选择时的误匹配,提高修补过程中源纹理块的质量,从而提高最终图像修补的质量.图像修补实验结果表明,本文提出的方法优于原有的基于样本块修补算法.     

基于2DPCA-SCN正则化的SAR图像目标识别方法

合成孔径雷达（synthetic aperture radar,SAR）图像解译是一项重大的科学应用挑战,SAR图像目标识别已成为该领域的主要研究方向之一。针对SAR图像识别算法训练参数较多的问题,本文提出一种二维主成分分析（two-dimensional principal component analysis,2DPCA）与L2正则化约束的随机配置网络（stochastic configuration network,SCN）进行集成学习的SAR图像目标识别方法。2DPCA不仅能够有效地提取出目标的特征信息而且通过稀疏表征方式降低数据量,SCN正则化算法参数较少且可以有效避免网络过拟合问题,提高网络的识别率。我们将提出的方法在MSTAR (moving and stationary target acquisition and recognition)数据集上进行实验,结果表明该方法相对传统方法具有更高的识别率。      

基于Hausdorff距离的自动目标识别算法的研究

红外自动目标识别是智能化图像处理及应用开发的方法.由于传统的图像匹配方法受到诸如景物的遮挡、背景和噪声的影响比较大,并且需要建立模板与图像间的对应关系,因而使实际图像的匹配变得困难.为了克服上述缺陷,以便快速地进行图像匹配,提出了一种基于Hausdorff距离的自动目标识别算法.该算法不仅加快了匹配过程,提高了抗噪性能,而且能准确匹配遮挡图像.实验结果证明,该方法是正确有效的.     

采用航迹特征的智能机型识别

针对空战目标识别中机型自动识别比较困难的问题，提出了采用航迹特征的智能目标识别方法。利用卷积神经网络（Convolutional Neural Network，CNN）分层学习特征的能力，训练CNN算法模型自动地从航迹数据中学习有用的特征并分类。利用沿海实地采集的15个类别的飞机航迹数据，经一系列数据预处理后作为智能识别算法的训练和测试数据，在验证实验中描述了算法网络的相关配置,对比了CNN与其他分类器的识别结果。实验结果表明，CNN具有很好的识别性能。     

形态学增强的连接相对熵在自动目标检测中的应用

提出了一种基于多尺度形态学和连接相对熵的红外图像自动目标检测方法;它首先对目标红外图像进行多尺度形态滤波,消除背景和杂波的影响同时增强目标的对比度,然后采用连接相对熵准则确定区分目标和背景的最佳门限,最后对得到的二值图再进行形态滤波,得到精确的目标分割图像.实验结果表明该方法具有一定的鲁棒性和自适应性,能够实现目标的自动、非参数化的有效检测,且效果良好,便于下一步的目标识别和跟踪.     

基于Grassmann流形几何深度网络的图像集识别方法

近年来,深度学习以其强大的非线性计算能力在目标检测和识别任务中取得了巨大的突破。现有的深度学习网络几乎都是以数据的欧氏结构为前提,而在计算机视觉中许多数据都具有严格的流形结构,如图像集可表示为Grassmann流形。基于数据的流形几何结构来设计深度学习网络,将微分几何理论与深度学习理论相结合,提出一种基于Grassmann流形的深度图像集识别网络。同时在模型训练过程中,使用基于矩阵链式法则的反向传播算法来更新模型,并将权值的优化过程转换为Grassmann流形上的黎曼优化问题。实验结果表明:该方法不仅在结果上识别准确率得到了提高,同时在训练和测试速度上也有一个数量级的提升。     

自动目标识别在图像末制导中的应用

实现图像末制导导弹发射后不管和远程精确打击,自动目标识别的工程化应用是关键技术。概述了国内外精确制导武器自动目标识别的发展历程、识别方法、技术水平和应用效果等现状,分析了基于目标特征和模板匹配的识别方法与应用场景,指出了两类经工程化验证有效的自动目标识别方法,梳理了任务规划、主要执行内容、规划质量对不同识别方法的影响等自动目标识别流程。为了适应未来精确制导武器智能化发展需求,深度学习识别技术工程化应用成为了新趋势,针对解决好深度学习算法效率与应用精度的平衡问题,重点分析了网络剪枝、权值量化、低秩近似和知识蒸馏等实时加速推理关键技术;针对网络模型训练,提出了有效解决训练样本不足或军事目标样本获取困难等问题的思路。随着多波段、多模复合制导技术的广泛应用,信息融合为目标识别的工程化应用提供了新技术途径。如何适应各种复杂场景和人工主动干扰是图像末制导面临的重大挑战,阐述了在干扰条件下目标识别鲁棒性,是自动目标识别技术在图像末制导应用中需要迫切解决的工程化问题。     

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别问题，提出了一种基于集成卷积神经网络(Convolutional Neural Network, CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作，以扩充训练样本；接着通过重采样的方法从训练样本中获取不同的训练子集，并在训练各基分类器时引入Dropout和Padding操作，有效增强了网络泛化能力；然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络，提高了网络的收敛速度和识别精度；最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明，集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络，具有较强的泛化能力和较好的稳健性。