CN114049551B - 一种基于ResNet18的SAR原始数据目标识别方法 - Google Patents
一种基于ResNet18的SAR原始数据目标识别方法 Download PDFInfo
- Publication number
- CN114049551B CN114049551B CN202111233641.8A CN202111233641A CN114049551B CN 114049551 B CN114049551 B CN 114049551B CN 202111233641 A CN202111233641 A CN 202111233641A CN 114049551 B CN114049551 B CN 114049551B
- Authority
- CN
- China
- Prior art keywords
- sar
- training
- layer
- data set
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于ResNet18的SAR原始数据目标识别方法,涉及雷达信号处理技术领域,提出一种以合成孔径雷达(Synthetic Aperture Radar,SAR)原始数据为输入的自动目标识别(Automatic Target Recognition,ATR)方法。现有的ATR方法是在图像形成后执行任务。然而,目标信息的成像过程可能会失去隐藏在原始数据中的目标抽象特征信息,从而限制识别的准确率。因此,本发明在深度残差网络ResNet18的基础上,将SAR原始数据送入一个不需要图像重建的卷积神经网络框架,进行目标识别与分类,从而明显提升识别效率,得到较好的分类结果。
Description
技术领域
本发明涉及属于雷达信号处理技术领域,特别是一种基于ResNet18的SAR原始数据目标识别方法。
背景技术
随着现代信息技术的快速发展及其在军事领域的广泛应用,目标识别技术在预警探测、精确制导、战场指挥和识别等军事领域有着广泛的应用。合成孔径雷达(SyntheticAperture Radar,SAR)的自动目标识别(Automatic Target Recognition,ATR)是指寻找和识别目标的任务,其目的是通过获取图像中的属性信息来识别目标特征。然而,现有的SAR目标识别技术普遍存在着智能化程度低、实时性差的缺点。因此,研究更智能、更高效的目标识别技术成为一个重要的需求。
近年来,由于图形处理单元(Graphics Processing Units,GPU)的能力和大型数据库的可用性,以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习技术在图像识别领域取得了巨大的成就。CNN具有自动分层提取特征的优点,可以避免传统识别方法过于依赖人工提取特征的弊端。同时,其优异的性能也在图像识别领域得到了广泛的验证,包括遥感图像的识别。研究人员逐渐将其引入SAR图像识别领域,并取得了一系列的研究成果。
现有提出的SAR ATR方法都是基于完整的二维图像进行,即采用先成像后识别的工作模式。然而,这种将成像过程与识别过程分离的模式,没有考虑到目标信息的成像过程可能会丢失隐藏在原始数据中的目标抽象特征信息。因此,有必要从SAR原始数据出发,探索一种不同于基于图像的ATR技术的新方法,以提高传统SAR ATR技术的效率。Yazici等人提出了一个深度递归神经网络架构,该架构使用字典学习和稀疏表示,直接从SAR接收信号中对目标进行分类,但该方法提出的网络架构简单,只针对简单形状的模拟SAR接收信号进行了分类识别。Cetin等人利用两个著名的CNN架构,即AlexNet和VGG16,提出了相位历史域中SAR ATR的两个新框架。第一个框架直接在相位历史域工作,而另一个框架则包括图像重建、去除图像相位并将其返回到相位历史域三个步骤,但该方法的输入部分利用了相位历史的近似值,而非实际值,往往会影响目标识别的准确率。此外,使用的CNN架构相对较老,规模较小。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于ResNet18的SAR原始数据目标识别方法,本发明的优势在于避免了传统ATR方法先成像后识别的工作模式,提升了识别效率,同时利用了深度残差网络的结构,进一步提高了识别准确率。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种基于ResNet18的SAR原始数据目标识别方法,包括以下步骤:
步骤S1、在SAR系统中,提出发射信号的模型、回波信号的模型和解调信号的模型;
步骤S2、在深度残差网络ResNet18的基础上,构建一个以SAR接收信号为输入的用于目标识别的卷积神经网络;
卷积神经网络的架构包括第一至第三通道、卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层,第一至第三通道分别与卷积核连接,卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层依次顺序连接,其中,第一至第四卷积层的结构均相同,第一卷积层包括第一卷积核、第一Relu单元、第二卷积核、Shortcut连接单元、求和单元、第二Relu单元和池化单元,第一卷积核、第一Relu单元、第二卷积核、求和单元、第二Relu单元和池化单元依次顺序连接,Shortcut连接单元的输入端与第一卷积核的输入端连接,Shortcut连接单元的输出端与求和单元的输入端连接;SAR接收信号的幅值、实部和虚部分别作为第一至第三通道的输入,SAR接收信号指回波信号;
步骤S3、给出卷积神经网络训练的初始参数,初始化卷积神经网络的每一层权重;
步骤S4、根据步骤S1提出的发射信号的模型、回波信号的模型和解调信号的模型,形成模拟数据集和MSTAR数据集;
步骤S5、将模拟数据集分为训练集、验证集和测试集,MSTAR数据集分为训练集、验证集和测试集,利用模拟数据集的训练集、MSTAR数据集的训练集分别代入步骤S3中已初始化后的卷积神经网络中进行训练,并在训练过程中利用验证集进行分类识别验证,当验证准确率达到预设准确率值或训练次数达到预设次数停止训练;利用训练好的卷积神经网络对模拟数据集的测试集、MSTAR数据集的测试集分别进行分类识别。
作为本发明所述的一种基于ResNet18的SAR原始数据目标识别方法进一步优化方案,步骤S2中,
利用SAR接收信号的幅值、实部和虚部作为第一至第三通道的输入,并调整SAR接收信号的幅值、实部和虚部大小为224×224;卷积核为3×3卷积核、Dropout层是一个概率为0.5的Dropout层,Softmax层用于产生目标类别标签的结果。
作为本发明所述的一种基于ResNet18的SAR原始数据目标识别方法进一步优化方案,步骤S3中,
训练的初始参数为训练方法、小批量的大小、动量和初始学习率。
作为本发明所述的一种基于ResNet18的SAR原始数据目标识别方法进一步优化方案,训练方法为随机梯度下降法,小批量的大小20,动量0.9,初始学习率0.0001;同时,卷积神经网络已经提前在已知的ImageNet数据集的多张图片上进行了预训练,以初始化每一层的权重。
作为本发明所述的一种基于ResNet18的SAR原始数据目标识别方法进一步优化方案,步骤S4中,根据步骤S1提出的发射信号的模型和回波信号的模型,模拟了SAR接收信号数据集,该SAR接收信号数据集为模拟数据集;
模拟数据集是用于目标识别,用于目标识别的模拟数据集包括多个点目标的接收信号,多个点目标的接收信号是:设在场景中生成包括方形、三角形或圆形的散射点阵的目标,利用回波信号的模型来模拟点目标的接收信号。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明提出了一种利用SAR接收信号对目标进行分类的方法,该方法绕过了图像重建的过程,利用回波信号的幅值、实部和虚部作为卷积神经网络三个通道的输入;在小样本的条件下,采用SAR接收信号作为输入的网络模型识别率达到90%以上,且识别效率优于传统基于图像输入的ATR方法;
(2)此外,本发明方法利用了深度残差网络架构,该网络架构在SAR回波信号识别中表现较好;相较于以往的卷积神经网络,深度残差网络凭借层次更深,但复杂度更低这一优势,网络训练更易优化,且识别分类性能更好。
附图说明
图1a是利用接收信号进行ATR的框架图,图1b是第一至第四卷积层的展开结构。
图2是正方形/三角形/圆形点阵的目标位置模型;其中,(a)是正方形,(b)是三角形,(c)是圆形。
图3是正方形/三角形/圆形点阵的接收信号;其中,(a)是正方形,(b)是三角形,(c)是圆形。
图4是各种军用车辆的合成孔径雷达图像;其中,(a)是2S1,(b)是BMP2,(c)是BRDM2,(d)是BTR60,(e)是BTR70,(f)是D7,(g)是T62,(h)是T72,(i)是ZIL131,(j)是ZSU234。
图5是MSTAR原始数据的幅值;其中,(a)是2S1,(b)是BMP2,(c)是BRDM2,(d)是BTR60,(e)是BTR70,(f)是D7,(g)是T62,(h)是T72,(i)是ZIL131,(j)是ZSU234。
图6是模拟数据集的网络训练过程。
图7是MSTAR数据集的网络训练过程。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明进行详细描述。
本发明提出的一种基于ResNet18的SAR原始数据目标识别方法,包括以下步骤:
S1、在SAR系统中,提出发射信号的模型、回波信号的模型和解调信号的模型;
S2、在深度残差网络ResNet18的基础上,构建一个以SAR接收信号为输入的用于目标识别的卷积神经网络;
卷积神经网络的架构包括第一至第三通道、卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层,第一至第三通道分别与卷积核连接,卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层依次顺序连接,其中,第一至第四卷积层的结构均相同,第一卷积层包括第一卷积核、第一Relu单元、第二卷积核、Shortcut连接单元、求和单元、第二Relu单元和池化单元,第一卷积核、第一Relu单元、第二卷积核、求和单元、第二Relu单元和池化单元依次顺序连接,Shortcut连接单元的输入端与第一卷积核的输入端连接,Shortcut连接单元的输出端与求和单元的输入端连接;SAR接收信号的幅值、实部和虚部分别作为第一至第三通道的输入,SAR接收信号指回波信号;
S3、给出卷积神经网络训练的初始参数,初始化卷积神经网络的每一层权重;
S4、根据步骤S1提出的发射信号的模型、回波信号的模型和解调信号的模型,形成模拟数据集和MSTAR数据集;
S5、将模拟数据集分为训练集、验证集和测试集,MSTAR数据集分为训练集、验证集和测试集,利用模拟数据集的训练集、MSTAR数据集的训练集分别代入步骤S3中已初始化后的卷积神经网络中进行训练,并在训练过程中利用相应的验证集进行分类识别验证,当验证准确率达到99%或训练次数达到1000次停止训练;利用训练好的卷积神经网络对模拟数据集的测试集、MSTAR数据集的测试集分别进行分类识别。
在SAR系统中,提出信号的模型,其具体内容如下:
在大多数SAR系统中,发射信号是线性调频信号,可以表示为:
接收端记录目标回波,可以表示为:
接收到的回波与发射信号混合后,得到解调信号,其形式如下:
Range-Doppler算法和Chirp-Scaling算法是常用的SAR成像算法,对SAR回波信号进行处理可获得聚焦良好的目标或场景图像。
在深度残差网络ResNet18的基础上,构建一个以SAR接收信号为输入的目标识别网络架构,其具体内容如下:
由于SAR成像是一种相干的成像方式,该方式可能会以斑点噪声的形式影响图像重建,从而降低目标识别的准确性。在理想情况下,使用原始数据而不是重建的图像可能会导致更好的ATR性能。因此,本发明提出的框架使用原始接收信号作为ATR系统的输入。
图1a是利用接收信号进行ATR的框架图,图1b是第一至第四卷积层的展开结构,展示了本发明SAR ATR的框架,该框架适用于接收信号并使用深度残差网络进行学习和分类。在这个框架中,需要大小为224×224的实值数据作为三个通道的输入。然而,SAR接收信号是复值数据,因此,该架构利用SAR接收信号的幅值、实部和虚部作为第一至第三通道的输入,并调整SAR接收信号的幅值、实部和虚部大小为224×224。同时,网络框架包括第一至第三通道、卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层,第一至第三通道分别与卷积核连接,卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层依次顺序连接。
其中,第一至第四卷积层的结构均相同,第一卷积层包括第一卷积核、第一Relu单元、第二卷积核、Shortcut连接单元、求和单元、第二Relu单元和池化单元,第一卷积核、第一Relu单元、第二卷积核、求和单元、第二Relu单元和池化单元依次顺序连接,Shortcut连接单元的输入端与第一卷积核的输入端连接,Shortcut连接单元的输出端与求和单元的输入端连接。
卷积核:在整个网络中使用较小的卷积滤波器(3×3卷积核),利用两个3×3卷积核来替代单一的5×5层,在减少了参数数量的同时,有效地增加了网络深度和ReLU层的数量,使得决策函数更具有辨别力。
Shortcut连接单元:在普通网络的基础上,通过Shortcut连接单元引了残差单元,将网络转化为深度残差学习结构。深度残差网络是一个经典的卷积神经网络结构,ResNet网络引入了一个深度残差学习框架来解决退化问题:随着网络深度的增加,网络准确度出现饱和,甚至出现下降。形式上,考虑到是所需的基础映射,我们让堆叠的非线性层拟合一个残差函数因此,原始映射变成了的表述可以通过具有shortcut连接的前馈神经网络来实现。ResNet18是参考了VGG19网络,在其基础上进行了修改,并通过shortcut连接引入了残差单元。因而,相较于VGG19网络,ResNet18层次更深,但复杂度更低,网络更易优化,表现更好。
Dropout层:因为SAR回波信号存在训练样本少的问题,所以在训练卷积神经网络的过程中,很容易产生过拟合现象,即模型在训练数据上损失函数比较小,预测准确率较高,但是在测试数据上损失函数比较大,预测准确率较低。为了有效解决过拟合问题,在全连接层之后引入一个概率为0.5的Dropout层。Dropout层是指在网络训练过程中,对于神经网络训练单元,按照一定的概率将其从网络中移除。在每个批次的训练过程中,由于每次随机忽略的隐层节点都不同,这样就使每次训练的网络都是不一样的,每次训练都可以单做一个新模型;此外,隐含节点都是以一定概率随机出现,因此不能保证每2个隐含节点每次都同时出现,这样权值的更新不再依赖于有固定关系隐含节点的共同作用,阻止了某些特征仅仅在其它特定特征下才有效果的情况。
给出卷积神经网络训练的初始参数,初始化卷积神经网络的每一层权重,其具体内容如下:
利用随机梯度下降法训练卷积神经网络,训练的初始参数为:小批量大小20,动量0.9,初始学习率0.0001。同时,卷积神经网络已经提前在已知的ImageNet数据集的多张图片上进行了预训练,以初始化每一层的权重。
根据步骤S1提出的发射信号的模型、回波信号的模型和解调信号的模型,形成模拟数据集和MSTAR数据集,其具体内容如下:
模拟数据集:根据SAR发射信号的模型和回波信号的模型,模拟了SAR接收信号数据集,该SAR接收信号数据集为模拟数据集;设在场景中生成包括方形、三角形或圆形的散射点阵的目标,利用回波信号的模型来模拟点目标的接收信号,模拟数据集包括多个点目标的接收信号,用于目标识别的模拟数据集是由随机位置的方形、三角形或圆形的SAR接收信号组成。目标回波形成过程如图2、3所示,图2中的(a)是正方形,图2中的(b)是三角形,图2中的(c)是圆形;图3中的(a)是正方形,图3中的(b)是三角形,图3中的(c)是圆形。将所得的数据集划分为训练集、验证集和测试集,样本量分别为3600、900和1500。
MSTAR数据集:MSTAR数据集是由美国国防高等研究计划署(DARPA)所公布的实测SAR地面静止目标数据。该数据由13种目标类型组成,包括衔接、遮蔽和伪装等情况,从而形成了一个由10个目标组成的标准数据集,俯仰角为15°和17°。合成孔径雷达图像数据是在不同的方位角上收集的,以提供每个特定目标的360度视图。这些图像是128×128像素的芯片,每个都包含一个大致在其背景中心的目标,这些军事目标分别为2S1(自行榴弹炮)、BMP2(步兵战车)、BRDM2(装甲侦察车)、BTR60(装甲运输车)、BTR70(装甲运输车)、D7(推土机)、T62(坦克)、T72(坦克)、ZIL131(货运卡车)、ZSU234(自行高炮),如图4所示,图4中的(a)是2S1,图4中的(b)是BMP2,图4中的(c)是BRDM2,图4中的(d)是BTR60,图4中的(e)是BTR70,图4中的(f)是D7,图4中的(g)是T62,图4中的(h)是T72,图4中的(i)是ZIL131,图4中的(j)是ZSU234。MSTAR各类数据集的详情如表1所示。此外,为形成图像而收集的原始回波数据也是可用的,如图5所示,图5中的(a)是2S1,图5中的(b)是BMP2,图5中的(c)是BRDM2,图5中的(d)是BTR60,图5中的(e)是BTR70,图5中的(f)是D7,图5中的(g)是T62,图5中的(h)是T72,图5中的(i)是ZIL131,图5中的(j)是ZSU234。其中,MSTAR数据集训练集和验证集包含2747个俯仰角为17°的回波,测试集包含2425个俯仰角15°的回波。
表1.MSTAR数据集
利用模拟数据集的训练集、MSTAR数据集的训练集分别代入步骤S3中已初始化后的卷积神经网络中进行训练,并在训练过程中利用相应的验证集进行分类识别验证,当验证准确率达到99%或训练次数达到1000次停止训练;利用训练好的卷积神经网络对模拟数据集的测试集、MSTAR数据集的测试集分别进行分类识别。
实施实例
为了验证基于ResNet18的SAR原始数据目标识别的有效性,分别在模拟数据集和MSTAR数据集上进行实验验证。此外,为了说明基于ResNet18的SAR原始数据目标识别的优势,将该方法获得的目标识别结果与基于ResNet18的SAR图片目标识别结果和基于其他CNN的SAR原始数据目标识别结果进行比较。
图6为模拟数据集的网络训练过程,网络训练时间为训练时间为4分26秒,识别准确率为99.6%,从结果可以看出,在简单小样本的条件下,采用SAR接收信号作为输入的网络模型识别率达到99%以上,网络训练效率高且能很好地实现目标分类。
图7为MSTAR数据集的网络训练过程,训练时间为5分33秒,识别准确率为90.5%,十类目标识别结果如表2所示。结果表明,在复杂小样本的条件下,采用SAR接收信号作为输入的网络模型识别率也能达到90%以上,大致上可以对实测数据进行目标识别与分类。从表2可以看出,相较于其他类别的军事目标,坦克和装甲车更难区分。
表2.不同类别的目标识别率比较
此外,在MSTAR数据集上,将基于ResNet18的SAR原始数据目标识别结果与其他方法的目标识别结果进行了比较,如表3所示,表3表示的是不同方法的目标识别率比较,从表3可以看出,采用SAR接收信号作为输入的ResNet18网络模型的分类准确率略优于基于传统图像的方法,同时,因为该方法绕过了图像重建的过程,识别效率也远优于传统基于图像输入的ATR方法。另一方面,从表3可以看出,相较于以往的卷积神经网络AlexNet和VGG19,ResNet18网络训练更易优化,且识别分类性能更好。
表3.不同方法的目标识别率比较
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围内。
Claims (5)
1.一种基于ResNet18的SAR原始数据目标识别方法,其特征在于,包括以下步骤:
步骤S1、在SAR系统中,提出发射信号的模型、回波信号的模型和解调信号的模型;
步骤S2、在深度残差网络ResNet18的基础上,构建一个以SAR接收信号为输入的用于目标识别的卷积神经网络;
卷积神经网络的架构包括第一至第三通道、卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层,第一至第三通道分别与卷积核连接,卷积核、Relu层、池化层、第一至第四卷积层、全连接层、Dropout层和Softmax层依次顺序连接,其中,第一至第四卷积层的结构均相同,第一卷积层包括第一卷积核、第一Relu单元、第二卷积核、Shortcut连接单元、求和单元、第二Relu单元和池化单元,第一卷积核、第一Relu单元、第二卷积核、求和单元、第二Relu单元和池化单元依次顺序连接,Shortcut连接单元的输入端与第一卷积核的输入端连接,Shortcut连接单元的输出端与求和单元的输入端连接;SAR接收信号的幅值、实部和虚部分别作为第一至第三通道的输入,SAR接收信号指回波信号;
步骤S3、给出卷积神经网络训练的初始参数,初始化卷积神经网络的每一层权重;
步骤S4、根据步骤S1提出的发射信号的模型、回波信号的模型和解调信号的模型,形成模拟数据集和MSTAR数据集;
步骤S4中,根据步骤S1提出的发射信号的模型和回波信号的模型,模拟了SAR接收信号数据集,该SAR接收信号数据集为模拟数据集;
步骤S5、将模拟数据集分为训练集、验证集和测试集,MSTAR数据集分为训练集、验证集和测试集,利用模拟数据集的训练集、MSTAR数据集的训练集分别代入步骤S3中已初始化后的卷积神经网络中进行训练,并在训练过程中利用验证集进行分类识别验证,当验证准确率达到预设准确率值或训练次数达到预设次数停止训练;利用训练好的卷积神经网络对模拟数据集的测试集、MSTAR数据集的测试集分别进行分类识别。
2.根据权利要求1所述的一种基于ResNet18的SAR原始数据目标识别方法,其特征在于,步骤S2中,
利用SAR接收信号的幅值、实部和虚部作为第一至第三通道的输入,并调整SAR接收信号的幅值、实部和虚部大小为224×224;卷积核为3×3卷积核、Dropout层是一个概率为0.5的Dropout层, Softmax层用于产生目标类别标签的结果。
3.根据权利要求1所述的一种基于ResNet18的SAR原始数据目标识别方法,其特征在于,步骤S3中,
训练的初始参数为训练方法、小批量的大小、动量和初始学习率。
4.根据权利要求3所述的一种基于ResNet18的SAR原始数据目标识别方法,其特征在于,训练方法为随机梯度下降法,小批量的大小20,动量0.9,初始学习率0.0001;同时,卷积神经网络已经提前在已知的ImageNet数据集的多张图片上进行了预训练,以初始化每一层的权重。
5.根据权利要求1所述的一种基于ResNet18的SAR原始数据目标识别方法,其特征在于,步骤S4中,模拟数据集是用于目标识别,用于目标识别的模拟数据集包括多个点目标的接收信号,多个点目标的接收信号是:设在场景中生成包括方形、三角形或圆形的散射点阵的目标,利用回波信号的模型来模拟点目标的接收信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233641.8A CN114049551B (zh) | 2021-10-22 | 2021-10-22 | 一种基于ResNet18的SAR原始数据目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233641.8A CN114049551B (zh) | 2021-10-22 | 2021-10-22 | 一种基于ResNet18的SAR原始数据目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114049551A CN114049551A (zh) | 2022-02-15 |
CN114049551B true CN114049551B (zh) | 2022-08-05 |
Family
ID=80205972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111233641.8A Active CN114049551B (zh) | 2021-10-22 | 2021-10-22 | 一种基于ResNet18的SAR原始数据目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049551B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116794624A (zh) * | 2022-12-26 | 2023-09-22 | 南京航空航天大学 | 一种基于ResNet的数据域和图像域联合SAR目标识别方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512680A (zh) * | 2015-12-02 | 2016-04-20 | 北京航空航天大学 | 一种基于深度神经网络的多视sar图像目标识别方法 |
CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
CN108919228A (zh) * | 2018-09-25 | 2018-11-30 | 鲁东大学 | 一维雷达数据处理方法及系统 |
CN111880158A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 |
CN112394354A (zh) * | 2020-12-02 | 2021-02-23 | 中国人民解放军国防科技大学 | 基于元学习的不同极化方式hrrp融合目标小样本识别方法 |
CN112686297A (zh) * | 2020-12-29 | 2021-04-20 | 中国人民解放军海军航空大学 | 一种雷达目标运动状态的分类方法及系统 |
CN112882009A (zh) * | 2021-01-12 | 2021-06-01 | 西安电子科技大学 | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 |
CN112926457A (zh) * | 2021-02-26 | 2021-06-08 | 中国电子科技集团公司第二十八研究所 | 一种基于融合频域和空间域网络模型的sar图像识别方法 |
CN112949550A (zh) * | 2021-03-19 | 2021-06-11 | 中国科学院空天信息创新研究院 | 一种基于深度学习的水体识别方法、系统和介质 |
CN113030966A (zh) * | 2021-02-08 | 2021-06-25 | 浙江大学 | 一种星载sar原始回波域中有效目标快速感知方法 |
CN113359135A (zh) * | 2021-07-07 | 2021-09-07 | 中国人民解放军空军工程大学 | 一种成像及识别模型的训练方法、应用方法、装置及介质 |
CN113378920A (zh) * | 2021-06-09 | 2021-09-10 | 东南大学 | 一种面向低分辨率雷达的舰船分类识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11448721B2 (en) * | 2019-06-25 | 2022-09-20 | Infineon Technologies Ag | In device interference mitigation using sensor fusion |
US11585918B2 (en) * | 2020-01-14 | 2023-02-21 | Raytheon Company | Generative adversarial network-based target identification |
-
2021
- 2021-10-22 CN CN202111233641.8A patent/CN114049551B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512680A (zh) * | 2015-12-02 | 2016-04-20 | 北京航空航天大学 | 一种基于深度神经网络的多视sar图像目标识别方法 |
CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
CN108919228A (zh) * | 2018-09-25 | 2018-11-30 | 鲁东大学 | 一维雷达数据处理方法及系统 |
CN111880158A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络序列分类的雷达目标检测方法及系统 |
CN112394354A (zh) * | 2020-12-02 | 2021-02-23 | 中国人民解放军国防科技大学 | 基于元学习的不同极化方式hrrp融合目标小样本识别方法 |
CN112686297A (zh) * | 2020-12-29 | 2021-04-20 | 中国人民解放军海军航空大学 | 一种雷达目标运动状态的分类方法及系统 |
CN112882009A (zh) * | 2021-01-12 | 2021-06-01 | 西安电子科技大学 | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 |
CN113030966A (zh) * | 2021-02-08 | 2021-06-25 | 浙江大学 | 一种星载sar原始回波域中有效目标快速感知方法 |
CN112926457A (zh) * | 2021-02-26 | 2021-06-08 | 中国电子科技集团公司第二十八研究所 | 一种基于融合频域和空间域网络模型的sar图像识别方法 |
CN112949550A (zh) * | 2021-03-19 | 2021-06-11 | 中国科学院空天信息创新研究院 | 一种基于深度学习的水体识别方法、系统和介质 |
CN113378920A (zh) * | 2021-06-09 | 2021-09-10 | 东南大学 | 一种面向低分辨率雷达的舰船分类识别方法 |
CN113359135A (zh) * | 2021-07-07 | 2021-09-07 | 中国人民解放军空军工程大学 | 一种成像及识别模型的训练方法、应用方法、装置及介质 |
Non-Patent Citations (4)
Title |
---|
Deep Learning for Direct Automatic Target Recognition from SAR Data;S. Kazemi, B. Yonel,B. Yazici;《2019 IEEE Radar Conference 》;20190426;正文第1-6页 * |
End-to-End Classification of Radar Target under Low SNR via Two-stream Fusion Network;Jiayin Xue 等;《2019 11th International Conference on Wireless Communications and Signal Processing (WCSP)》;20191025;正文第页 * |
基于复数深度神经网络的逆合成孔径雷达成像方法;汪玲 等;《南京航空航天大学学报》;20201015;正文第695-700页 * |
深度学习在雷达中的研究综述;王俊 等;《雷达学报》;20180718;正文第395-410页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114049551A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229404B (zh) | 一种基于深度学习的雷达回波信号目标识别方法 | |
US11402494B2 (en) | Method and apparatus for end-to-end SAR image recognition, and storage medium | |
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
Chen et al. | Target classification using the deep convolutional networks for SAR images | |
CN110109059B (zh) | 一种基于深度学习网络的雷达辐射源信号识别方法 | |
CN110988818B (zh) | 基于条件生成式对抗网络的欺骗干扰模板生成方法 | |
CN107563411B (zh) | 基于深度学习的在线sar目标检测方法 | |
CN109902715B (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN103226196B (zh) | 基于稀疏特征的雷达目标识别方法 | |
CN112446357B (zh) | 一种基于胶囊网络的sar自动目标识别方法 | |
CN111178439A (zh) | 基于卷积神经网络及微调的sar图像分类方法 | |
CN111767860A (zh) | 一种通过卷积神经网络实现图像识别的方法及终端 | |
Ye et al. | Recognition algorithm of emitter signals based on PCA+ CNN | |
CN114049551B (zh) | 一种基于ResNet18的SAR原始数据目标识别方法 | |
CN112906564B (zh) | 用于无人机载sar图像自动目标识别的智能决策支持系统设计及实现方法 | |
CN110969203B (zh) | 基于自相关和cam网络的hrrp数据去冗余方法 | |
CN112906716A (zh) | 基于小波去噪阈值自学习的带噪sar图像目标识别方法 | |
Gu et al. | Using vgg16 to military target classification on mstar dataset | |
CN117173556A (zh) | 一种基于孪生神经网络的小样本sar目标识别方法 | |
Tang et al. | SAR deception jamming target recognition based on the shadow feature | |
CN116030300A (zh) | 一种用于零样本sar目标识别的渐进式域自适应识别方法 | |
CN115909086A (zh) | 基于多级增强网络的sar目标检测识别方法 | |
Liu et al. | Spotlight SAR image recognition based on dual-channel feature map convolutional neural network | |
Ruan et al. | CNN-Based SAR Automatic Target Recognition Using SAR Raw Data | |
Zhongwei et al. | Radar target detection method based on improved YOLOv3 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |