面向SAR圖像目標(biāo)識(shí)別和地物分類(lèi)的深度學(xué)習(xí)研究.pdf

1、深度學(xué)習(xí)起源于人工神經(jīng)網(wǎng)絡(luò)，模仿人腦計(jì)算模式，可以自動(dòng)地分層學(xué)習(xí)出抽象特征，在圖像領(lǐng)域應(yīng)用廣泛，尤其是在目標(biāo)識(shí)別和圖像分類(lèi)方面。隨著遙感技術(shù)的發(fā)展，合成孔徑雷達(dá)(Synthetic aperture radar, SAR)圖像以其大信息量，全天候全天時(shí)的特點(diǎn)在軍事和民用領(lǐng)域占據(jù)了重要地位。對(duì)于SAR圖像的識(shí)別和分類(lèi)任務(wù)而言，選取合適的特征非常重要，所用特征決定了算法性能的上限，而深度學(xué)習(xí)模型可以自動(dòng)從原始數(shù)據(jù)中學(xué)出更抽象的特征。在深度學(xué)

2、習(xí)模型中，深度置信網(wǎng)絡(luò)(Deep Belief Network, DBN)使用的棧式限制玻爾茲曼機(jī)(Restricted Boltzmann Machine, RBM)的非監(jiān)督學(xué)習(xí)和反向傳播的有監(jiān)督微調(diào)過(guò)程，可以自動(dòng)學(xué)習(xí)到更適合分類(lèi)的特征。本文用深度置信網(wǎng)絡(luò)來(lái)提取高層抽象特征用于SAR圖像。具體工作如下：
　　一，用于單極化SAR目標(biāo)識(shí)別的深度學(xué)習(xí)研究。由于深度學(xué)習(xí)更適用于大數(shù)據(jù)，而本文所用的運(yùn)動(dòng)與靜止目標(biāo)的獲取與識(shí)別數(shù)據(jù)(MST

3、AR)數(shù)量有限，使得深度學(xué)習(xí)模型不容易收斂，所以我們提出數(shù)據(jù)融合與深度學(xué)習(xí)相結(jié)合的策略。分別提取MSTAR的輪廓波特征和曲線波特征與原數(shù)據(jù)相結(jié)合作為深度置信網(wǎng)絡(luò)的輸入，同時(shí)加入更能模擬數(shù)據(jù)的高斯限制玻爾茲曼機(jī)(gaussianRBM)，進(jìn)行SAR圖像的目標(biāo)識(shí)別，識(shí)別精度較原始RBM和單一數(shù)據(jù)有所提高。由于傳統(tǒng)DBN沒(méi)有考慮到SAR圖像的2-D結(jié)構(gòu)和空間信息，導(dǎo)致學(xué)習(xí)到的權(quán)值與像素所處位置無(wú)關(guān)，而卷積網(wǎng)絡(luò)的權(quán)值共享使得每一種權(quán)值對(duì)應(yīng)一種特

4、征算子，更利于提取不同性質(zhì)的特征，所以，本文使用基于卷積RBM的深度置信網(wǎng)絡(luò)，使得識(shí)別精度進(jìn)一步提高。
　　二，用于全極化 SAR圖像地物分類(lèi)的深度學(xué)習(xí)研究。由于傳統(tǒng)的RBM更適合模擬二值數(shù)據(jù)，對(duì)于符合其他指數(shù)家族的分布，RBM可以加入不同的統(tǒng)計(jì)特性進(jìn)行擴(kuò)展。所以，對(duì)極化 SAR實(shí)數(shù)數(shù)據(jù)，我們使用加入高斯分布的gaussianRBM構(gòu)成DBN，用于極化SAR圖像的地物分類(lèi)；對(duì)極化SAR復(fù)數(shù)數(shù)據(jù)，我們基于極化SAR數(shù)據(jù)復(fù)wishar