SAR圖像目標(biāo)識(shí)別即從SAR圖像中提取特征,確定目標(biāo)的類(lèi)別屬性,具有廣泛的軍事與民用價(jià)值,可應(yīng)用于戰(zhàn)場(chǎng)監(jiān)控、引導(dǎo)攻擊、打擊效果評(píng)估、海洋資源探測(cè)、環(huán)境地貌監(jiān)測(cè)及自然災(zāi)害評(píng)估等,是國(guó)內(nèi)外研究的熱點(diǎn)問(wèn)題。卷積神經(jīng)網(wǎng)絡(luò)(Convoluional Neural Networks,CNN)是一種重要深度學(xué)習(xí)模型,包括多層卷積層和池化層,成功模仿了生物神經(jīng)元的感知過(guò)程,尤其適合圖像的智能解譯,已經(jīng)在光學(xué)領(lǐng)域的圖像目標(biāo)檢測(cè)、目標(biāo)識(shí)別中取得了良好的效果。因此,研究基于CNN的SAR目標(biāo)識(shí)別技術(shù),對(duì)于推動(dòng)SAR自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition,ATR)技術(shù)的發(fā)展具有重要意義。本文圍繞基于CNN的SAR目標(biāo)識(shí)別問(wèn)題,重點(diǎn)研究了小樣本數(shù)據(jù)集下的基于生成對(duì)抗網(wǎng)絡(luò)的SAR目標(biāo)識(shí)別算法和基于單次多框檢測(cè)器(Single Shot MultiBox Detector,SSD)的SAR目標(biāo)檢測(cè)識(shí)別一體化算法。主要內(nèi)容為:1、針對(duì)小樣本SAR數(shù)據(jù)集導(dǎo)致的CNN模型過(guò)擬合問(wèn)題,研究了生成對(duì)抗網(wǎng)絡(luò)模型。利用生成對(duì)抗網(wǎng)絡(luò)模型擴(kuò)充原始的SAR圖像集,緩解訓(xùn)練樣本不足而導(dǎo)致的模型泛化能力下降...

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 SAR圖像目標(biāo)識(shí)別研究現(xiàn)狀
        1.2.2 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
    1.3 本文的結(jié)構(gòu)安排
第二章 SAR圖像與深度學(xué)習(xí)基本理論
    2.1 SAR圖像特性
    2.2 神經(jīng)元
    2.3 常見(jiàn)的神經(jīng)網(wǎng)絡(luò)模型
        2.3.1 生成對(duì)抗網(wǎng)絡(luò)
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.4 提高泛化能力
        2.4.1 正則化
        2.4.2 隨機(jī)失活
        2.4.3 提前終止
        2.4.4 數(shù)據(jù)擴(kuò)充
    2.5 本章小結(jié)
第三章 基于生成對(duì)抗網(wǎng)絡(luò)的小樣本SAR目標(biāo)識(shí)別算法
    3.1 算法框架
    3.2 算法實(shí)現(xiàn)
        3.2.1 基于DCGAN的 SAR數(shù)據(jù)集擴(kuò)充
        3.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的SAR識(shí)別模型
    3.3 模型訓(xùn)練
        3.3.1 生成對(duì)抗網(wǎng)絡(luò)訓(xùn)練
        3.3.2 分類(lèi)網(wǎng)絡(luò)訓(xùn)練
    3.4 算法復(fù)雜度分析
    3.5 實(shí)驗(yàn)與性能分析
        3.5.1 MSTAR數(shù)據(jù)集介紹
        3.5.2 數(shù)據(jù)集擴(kuò)充實(shí)驗(yàn)
        3.5.3 識(shí)別性能實(shí)驗(yàn)
        3.5.4 識(shí)別性能對(duì)比實(shí)驗(yàn)
        3.5.5 網(wǎng)絡(luò)中間層輸出分析
    3.6 本章小結(jié)
第四章 SAR目標(biāo)檢測(cè)識(shí)別一體化算法
    4.1 SSD算法
        4.1.1 基礎(chǔ)網(wǎng)絡(luò)
        4.1.2 默認(rèn)框
        4.1.3 非極大值抑制
        4.1.4 目標(biāo)函數(shù)
    4.2 基于改進(jìn)SSD的 SAR目標(biāo)檢測(cè)識(shí)別算法
        4.2.1 算法框架
        4.2.2 基于kmeans的默認(rèn)框尺寸設(shè)置
        4.2.3 懲罰NMS算法
        4.2.4 特征融合
    4.3 模型訓(xùn)練
        4.3.1 匹配策略
        4.3.2 訓(xùn)練方法
    4.4 實(shí)驗(yàn)驗(yàn)證與分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)
        4.4.2 評(píng)價(jià)指標(biāo)
        4.4.3 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 總結(jié)和展望
    5.1 全文總結(jié)
    5.2 工作展望
致謝
參考文獻(xiàn)



本文編號(hào)：3744664