[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于ResNet的SAR目标识别小样本学习优化

摘要： 深度卷积神经网络（CNN）是深度学习的重要分支。凭借其强大的特征提取能力，CNN模型已被引入解决合成孔径雷达自动目标识别（SAR-ATR）问题。然而，标注的SAR图像难以获取，因此如何从小样本数据集中获得良好的识别结果是我们主要关注的问题。理论上，更深的网络能带来更好的训练效果，但同时也给训练过程带来更多困难，尤其是在标注训练数据有限的情况下。近年来提出的残差学习能有效缓解这一问题。本文采用深度残差网络，并在构建?？橹幸雂ropout层以减轻有限SAR数据导致的过拟合。为提升训练效果，我们采用新的损失函数中心损失，并与softmax损失结合作为监督信号来训练深度CNN。实验结果表明，在不使用数据增强或预训练的情况下，该方法使用全部训练数据可实现99.67%的分类准确率；当训练数据集缩减至20%时，仍能获得高于94%的识别结果。