计算机技术与发展2022，Vol.32Issue(5) ：1-6.DOI:10.3969/j.issn.1673-629X.2022.05.001

改进残差网络结合迁移学习的SAR目标识别

SAR Target Recognition of Improved Residual Network Combined with Transfer Learning

崔亚楠 吴建平 朱辰龙 闫相如
计算机技术与发展2022，Vol.32Issue(5) ：1-6.DOI:10.3969/j.issn.1673-629X.2022.05.001
✕
  • 维普
  • 万方数据

改进残差网络结合迁移学习的SAR目标识别

SAR Target Recognition of Improved Residual Network Combined with Transfer Learning

崔亚楠 1吴建平 2朱辰龙 1闫相如1
扫码查看

作者信息

  • 1. 云南大学 信息学院,云南 昆明 650504
  • 2. 云南大学 信息学院,云南 昆明 650504;云南省电子计算中心,云南 昆明 650223;云南省高校数字媒体技术重点实验室,云南 昆明 650223
  • 折叠

摘要

合成孔径雷达(SAR)图像的目标识别对地面和海面目标获取具有重大意义.实现SAR图像目标自动解释,提高图像目标识别的准确率成为SAR图像研究的热点问题.为准确获取SAR图像中的目标信息,解决深度神经网络训练小样本SAR图像过程中细节特征丢失严重,网络易出现过拟合等问题,该研究提出一种基于RCF(ResNet101-CBAM-FPN)神经网络模型来提取SAR图像特征.将ResNet101作为主干网络模型用于特征提取,在主干网络模型中加入卷积注意力模块引导神经网络有针对性地提取SAR图像关键特征信息.然后结合特征金字塔网络,实现神经网络高层特征与底层特征融合,丰富特征信息.最后融合迁移学习思想,通过数据相对充足的仿真SAR图像对RCF网络模型进行预训练.将预训练获取的模型参数迁移至目标网络,作为目标网络的初始化参数,并使用目标网络对SAR图像进行迭代训练.实验结果表明,该方法能有效提升小样本数据SAR图像的识别精度,在MSTAR数据集上达到99.60％的识别率.

关键词

ResNet101/迁移学习/合成孔径雷达/卷积注意力模块/特征金字塔网络

引用本文复制引用

基金项目

云南省重大科技专项(202002AD080001)

云南省科技厅应用基础研究计划重点项目(2019FA044)

出版年

2022
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
被引量1
参考文献量5
段落导航相关论文