基于FCNN和ICAE的SAR图像目标识别方法

近年来，随着深度学习在文本、语言和图像处理等领域的迅速发展，基于深度学习的合成孔径雷达（SAR）自动目标识别（ATR）也得到深入研究。卷积神经网络（CNN）作为深度学习的一种网络架构，在SAR-ATR领域发挥着非常重要的作用，其获得的目标识别率远远超过传统的识别方法。

然而，SAR-ATR研究中能用的数据集通常较小，以美国国防规划局和空军研究实验室联合资助的运动和静止目标获取与识别（MSTAR）数据集为例，其训练和测试样本数量远小于一些常用的光学图像数据集。因此，目前基于CNN的SAR-ATR研究多数是通过扩充数据集来获得较高的识别率。

为了在不扩充数据集的情况下获得较高的识别率，中科院电子学研究所洪文研究员团队进行了基于CNN的算法改进。改进后的方法不仅能获得较高的识别率，而且还具有较强的抗噪声能力。

该工作已发表在《雷达学报》2018年第5期“基于FCNN和ICAE的SAR图像目标识别方法”（喻玲娟, 王亚东, 谢晓春, 林 赟, 洪 文）。

该文首先介绍了全卷积神经网络（FCNN）和自编码器（CAE）的基本理论，然后提出了一种基于FCNN和改进的CAE的识别方法（图1），最后利用MSTAR数据集验证了方法的识别能力和抗噪声性能（图2和图3）。

图1 基于FCNN和ICAE的识别方法

图2 四种方法的平均正确识别率随训练样本扩充倍数的变化

图3 四种方法的平均正确识别率随噪声所占比例的变化

了解详细信息请点击下面阅读原文。