基于深度学习的SAR图像目标识别方法研究

【摘要】：合成孔径雷达(Synthetic Aperture Radar,SAR)具备全天时、全天候捕获高分辨遥感数据的能力。因此,已成为军事应用场景中重要的探测工具。然而,SAR图像的丰富特征信息会由于对目标位置敏感、噪声干扰、样本匮乏等多种因素而变得难以获取。SAR图像解译的关键则在于从各种复杂场景中提取出有用的SAR图像特征信息以完成特定的目标任务。自动目标识别(Automatic Target Recognition,ATR)技术在SAR图像解译方面具有至关重要的作用。随着对深度学习理论的深入研究,ATR技术在实际应用方面有了更近一步的发展。一个标准的SAR ATR系统主要包含检测、判别以及分类三个阶段,而分类是ATR技术中重要的研究部分。为了提高分类性能,特征的提取和分类器的选择已成为SAR图像目标识别中探究的热点和难点。本文主要从目标特征提取的角度出发,针对多种扩展场景、相干斑噪声干扰场景以及训练样本匮乏场景,对基于深度学习的SAR图像目标识别方法进行了研究,同时,开展了相关实验对模型性能进行评估。主要研究工作和成果如下:(1)针对多种扩展场景下的SAR图像目标识别问题,提出了一种基于动态感知注意力网络的SAR图像目标识别方法。该网络在不增加网络深度和宽度的情况下,通过动态感知卷积层以及通道和空间的注意力机制来提升基于卷积神经网络模型的特征表现能力,从而可实现多种扩展场景下的稳健性目标特征提取。(2)针对相干斑噪声干扰场景下的SAR图像目标识别问题,提出了一种基于去噪任务辅助的深度注意SAR图像目标识别方法。该网络是一种去噪和分类相耦合的多尺度残差注意网络。在去噪子网络中,通过利用空洞卷积实现多尺度特征提取,并通过注意力机制进行自适应特征通道挑选,从而可以有效地学习噪声信息;为了提取更多具有判别力的目标特征,在分类子网络中嵌入了一种跨维度交互的注意力机制,以进一步提升相干斑噪声干扰条件下的目标识别性能。(3)针对小样本场景下的SAR图像目标识别问题,提出了一种基于多任务表征学习的小样本SAR图像目标识别方法。一方面,该网络模型旨在同时具有感知输入变换、认识自身身份以及定义类别边界的能力;另一方面,该网络模型也可以提取目标的形态学特征,并通过通道注意力机制实现特征精炼。该网络的强大特征学习能力为小样本条件下的特征提取提供了保障。