面向SAR圖像目標識別和地物分類的深度學習研究.pdf

1、深度學習起源于人工神經(jīng)網(wǎng)絡，模仿人腦計算模式，可以自動地分層學習出抽象特征，在圖像領域應用廣泛，尤其是在目標識別和圖像分類方面。隨著遙感技術的發(fā)展，合成孔徑雷達(Synthetic aperture radar, SAR)圖像以其大信息量，全天候全天時的特點在軍事和民用領域占據(jù)了重要地位。對于SAR圖像的識別和分類任務而言，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，而深度學習模型可以自動從原始數(shù)據(jù)中學出更抽象的特征。在深度學

2、習模型中，深度置信網(wǎng)絡(Deep Belief Network, DBN)使用的棧式限制玻爾茲曼機(Restricted Boltzmann Machine, RBM)的非監(jiān)督學習和反向傳播的有監(jiān)督微調(diào)過程，可以自動學習到更適合分類的特征。本文用深度置信網(wǎng)絡來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目標識別的深度學習研究。由于深度學習更適用于大數(shù)據(jù)，而本文所用的運動與靜止目標的獲取與識別數(shù)據(jù)(MST

3、AR)數(shù)量有限，使得深度學習模型不容易收斂，所以我們提出數(shù)據(jù)融合與深度學習相結合的策略。分別提取MSTAR的輪廓波特征和曲線波特征與原數(shù)據(jù)相結合作為深度置信網(wǎng)絡的輸入，同時加入更能模擬數(shù)據(jù)的高斯限制玻爾茲曼機(gaussianRBM)，進行SAR圖像的目標識別，識別精度較原始RBM和單一數(shù)據(jù)有所提高。由于傳統(tǒng)DBN沒有考慮到SAR圖像的2-D結構和空間信息，導致學習到的權值與像素所處位置無關，而卷積網(wǎng)絡的權值共享使得每一種權值對應一種特

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，使得識別精度進一步提高。
　　二，用于全極化 SAR圖像地物分類的深度學習研究。由于傳統(tǒng)的RBM更適合模擬二值數(shù)據(jù)，對于符合其他指數(shù)家族的分布，RBM可以加入不同的統(tǒng)計特性進行擴展。所以，對極化 SAR實數(shù)數(shù)據(jù)，我們使用加入高斯分布的gaussianRBM構成DBN，用于極化SAR圖像的地物分類；對極化SAR復數(shù)數(shù)據(jù)，我們基于極化SAR數(shù)據(jù)復wishar