研究目的
为了从小样本数据集中获得良好的合成孔径雷达自动目标识别(SAR-ATR)效果,采用带有残差学习和dropout层的深度卷积神经网络(CNN)来缓解过拟合问题。
研究成果
采用丢弃层和联合损失函数的改进残差网络在MSTAR数据集上实现了高分类准确率,即使样本量较小。该方法对标注数据有限的SAR目标识别任务显示出应用前景,但未来工作建议进一步优化参数精简和角度信息的利用。
研究不足
该研究提到深度网络导致的大参数量是需要改进的细节,建议采用剪枝算法。此外,仅利用了SAR图像的振幅信息,角度信息尚未被探索。
1:实验设计与方法选择:
本研究采用带有dropout层的深度残差网络(ResNet),并使用结合softmax损失和中心损失的联合损失函数,以提高有限SAR数据下的识别准确率。
2:样本选择与数据来源:
使用评估ATR算法的标准数据集MSTAR,包含10类军事车辆目标的SAR图像。
3:实验设备与材料清单:
研究采用具有特定参数的深度残差网络架构及dropout层。
4:实验流程与操作步骤:
网络通过SGD和Adam优化方法训练,采用联合损失函数进行监督。数据增强仅限于随机裁剪以提升模型鲁棒性。
5:数据分析方法:
基于不同规模训练数据集的分类准确率评估性能,并与前沿方法对比结果。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容