1 航天工程大学, a.研究生院
2 航天工程大学, b.电子与光学工程系, 北京 101000
针对当前SAR图像中飞机检测尺寸较小导致小目标检测率低、虚警率高的问题, 提出一种基于YOLOv5的改进方法。先采用K-means聚类算法针对飞机小目标尺寸优化锚框, 在主干网络融合Swin Transformer模块, 同时引入自适应学习权重的多尺度特征融合机制和全局注意力机制(GAM), 使网络跨越空间通道维度放大全局维度交互, 提高模型捕获不同维度信息的能力;并且增加一个小目标检测层, 提高网络对SAR图像飞机小目标检测能力。实验结果表明, 相较于原YOLOv5 方法, 改进方法在SAR图像尺寸较小飞机目标的检测上具有更强的特征提取能力和更高的检测精度。
SAR图像 小目标检测 SAR image small target detection YOLOv5 YOLOv5 Swin Transformer Swin Transformer GAM GAM
1 航天工程大学,a.研究生院
2 航天工程大学,b.电子与光学系, 北京 101000
近年来, 深度学习虽然在合成孔径雷达(SAR)目标识别领域已得到广泛应用, 但目前带有标注的SAR数据样本量的不足严重制约了深度学习在SAR目标识别中的发展。而迁移学习可以攻破深度学习数据驱动的限制, 利用有限SAR样本进行迁移学习。对基于迁移学习的有限SAR样本目标识别算法进行了分析, 首先, 介绍了迁移学习的基本概念、类型、常用策略并分析了其在小样本SAR目标识别领域应用的可行性; 然后, 根据迁移数据与目标域数据是否同源, 分别对两类基于迁移学习的方法在SAR图像识别领域具有代表性的算法进行了梳理归纳; 最后, 从样本量的不足与网络的普适性两个方向出发, 讨论了迁移学习在SAR图像识别任务中存在的不足与下一步的研究方向。
深度学习 卷积神经网络(CNN) 合成孔径雷达(SAR) 迁移学习 同源数据 异源数据 deep learning Convolutional Neural Network (CNN) Synthetic Aperture Radar (SAR) transfer learning homogeneous data heterogeneous data
1 航天工程大学,研究生院
2 电子与光学工程系, 北京 101000
雷达字作为构成雷达短语的基元, 其提取效果的好坏将直接影响后续雷达行为辨识的可信度。针对侦收数据不均衡情况下的雷达字提取问题, 提出一种基于K-means算法改进的K-OPTICS雷达字提取算法。通过构建虚拟聚类中心和簇合并的方法, 使其在各种样本不均衡的仿真场景下仍能取得91.22%以上的提取准确率, 较传统算法具有更好的参数不敏感性。
雷达字 多功能相控阵雷达 非均衡样本 radar words multifunction phased array radar unbalanced samples K-OPTICS K-OPTICS
1 航天工程大学,a.研究生院
2 航天工程大学,b.电子与光学系, 北京 101000
装备的认知能力集中体现了认知电子战的根本属性, 也是能否对复杂、智能的电子装备实施有效干扰的关键。强化学习作为人工智能领域炙手可热的技术手段, 具备不依赖先验数据的自学习能力, 是解决多功能雷达干扰难题的一个重要途径。在回顾传统的雷达干扰决策算法的基础上, 阐述了利用强化学习进行雷达干扰决策的原理, 分析了基于强化学习的雷达干扰决策技术的发展现状, 并通过仿真分析了基于强化学习的干扰决策方法的性能, 最后进行了总结与展望。
认知电子战 强化学习 多功能雷达 cognitive electronic warfare reinforcement learning multifunctional radar Q-Learning Q-Learning DQN DQN
