论文部分内容阅读
合成孔径雷达（Synthetic Aperture Radar,SAR）属于主动式微波传感器，而且可以不受气候和光线的限制，实现不间断地对地观测，被广泛应用于民用和军事领域。尤其是战场上，合成孔径雷达是一种重要的侦查手段。随着深度学习的迅猛发展，尤其是卷积神经网络（ Convolutional Neural Network, CNN）已经被应用于多个场景下。本文基于CNN对SAR车辆目标的检测与分类展开了具体的研究。本文的主要贡献如下：
1.从CNN的基础理论出发，介绍了CNN的基本结构和基础原理，给出了前向传播和反向传播的详细推导过程。研究了标准操作下数据增强、Dropout、L2正则化以及Batch Normalization对网络的影响。
2.应用标准RPN检测SAR图像中车辆目标，并结合SAR图像特点改进了RPN。本文基于MSTAR数据集制作了 SAR 场景数据进行训练和测试，并提出改进版 RPN，利用 VGG-16 网络提取图片特征，将底层特征层利用卷积核提取特征，接着进行正则化处理。利用特征融合的思想，将底层特征与高层特征进行融合后作为滑动特征层，使得目标特征提取更加充分，目标位置更加准确。
3.基于部分主流模型对 SAR 图像中车辆目标进行了研究，并提出了更适合 SAR 图像车辆目标分类的网络模型。介绍了AlexNet模型和ResNet模型，并分别利用模型对MSTAR数据集进行分类识别，验证各种因素对结果的影响。本文在ResNet模型基础上提出了密集型连接残差网络（Densely Connected ResNet，DCResNet），将ResNet中的残差模块变成密集型连接残差模块，模块内部添加了多个卷积层。在残差模块的基础上添加了多个跳跃性连接，提高了特征的利用率和传播率，使特征信息得到了充分的应用，加快了模型的收敛，针对SAR图像噪声较多的特征，增加了平均池化的方式。
最后，总结了全文理论内容与研究成果，并结合目前工作的不足，对后续工作进行了展望。
1.从CNN的基础理论出发，介绍了CNN的基本结构和基础原理，给出了前向传播和反向传播的详细推导过程。研究了标准操作下数据增强、Dropout、L2正则化以及Batch Normalization对网络的影响。
2.应用标准RPN检测SAR图像中车辆目标，并结合SAR图像特点改进了RPN。本文基于MSTAR数据集制作了 SAR 场景数据进行训练和测试，并提出改进版 RPN，利用 VGG-16 网络提取图片特征，将底层特征层利用卷积核提取特征，接着进行正则化处理。利用特征融合的思想，将底层特征与高层特征进行融合后作为滑动特征层，使得目标特征提取更加充分，目标位置更加准确。
3.基于部分主流模型对 SAR 图像中车辆目标进行了研究，并提出了更适合 SAR 图像车辆目标分类的网络模型。介绍了AlexNet模型和ResNet模型，并分别利用模型对MSTAR数据集进行分类识别，验证各种因素对结果的影响。本文在ResNet模型基础上提出了密集型连接残差网络（Densely Connected ResNet，DCResNet），将ResNet中的残差模块变成密集型连接残差模块，模块内部添加了多个卷积层。在残差模块的基础上添加了多个跳跃性连接，提高了特征的利用率和传播率，使特征信息得到了充分的应用，加快了模型的收敛，针对SAR图像噪声较多的特征，增加了平均池化的方式。
最后，总结了全文理论内容与研究成果，并结合目前工作的不足，对后续工作进行了展望。