武汉第二船舶设计研究所, 湖北 武汉 430000
在复杂海域场景下如何综合利用舰船监测的多模态数据进行高效特征提取和特征融合, 以此来综合提升舰船识别精度仍存在巨大挑战。针对海域环境中舰船单一数据源识别准确率问题, 提出一种有效的多模态数据特征提取和特征融合的舰船识别算法, 然后基于深度残差网络模型进行特征融合以提升舰船识别准确率。通过实验结果对比, 相比于其他算法基于多模态数据的舰船识别算法平均准确率提升约18%, 有效地提升了舰船识别准确率, 对相关船舶领域的研发工作具有借鉴意义。
舰船识别 舰船轨迹 合成孔径雷达图像 多模态特征 深度残差网络 ship identification ship trajectory SAR image multi-modal features deep residual network
针对合成孔径雷达(SAR)目标识别问题, 设计并提出基于改进稀疏表示的方法。首先以传统稀疏表示分类(SRC)为基础, 在全局字典上求解稀疏表示系数矢量。在此基础上, 按照类别选择局部最佳字典, 并据此进行测试样本的重构表示, 最终, 通过比较不同类别的重构误差大小进行目标类别确认。实验中采用MSTAR数据集作为样本进行测试和验证。结果证明了所提方法的性能优势。
合成孔径雷达(SAR) 目标识别 改进稀疏表示 局部字典 Synthetic Aperture Radar (SAR) target recognition modified sparse representation local dictionary
1 郑州科技学院 信息工程学院，河南 郑州 450064
2 河南大学 计算机与信息工程学院
3 中共开封市委党校，河南 开封 475001
4 河南大学 河南省大数据分析与处理重点实验室
5 河南大学 河南省智能技术与应用工程技术研究中心，河南 开封 475004
针对多模式合成孔径雷达(SAR)成像处理中存在的计算效率不足问题，提出了一种基于GPU的多模式SAR统一成像并行加速方法。为充分利用GPU 的显存资源，提高算法的运算效率，利用共享内存对矩阵转置、矩阵相乘等部分进行大规模数据并行计算。实验结果表明，该算法大幅度提升了多模式SAR 成像的计算效率，最高加速比达到55.62，解决了GPU 显存空间利用率较低的问题。
合成孔径雷达 图形处理器 多模式 并行加速 Synthetic Aperture Radar Graphic Processing Unit multi-mode parallel acceleration 太赫兹科学与电子信息学报
2023, 21(8): 1037
国防科技大学电子科学学院, 湖南长沙 410073
基于逆合成孔径雷达(ISAR)图像序列的卫星目标姿态估计是一项具有重大意义且富有挑战性的任务。现有的估计方法通常是基于图像中关键角点或线性部件的提取, 较难满足实时需求, 且都未能充分利用目标成像特性先验。本文提出一种基于成像特性与回归网络的卫星目标姿态估计方法: 提前确定各种姿态下的卫星目标成像特性, 并作为后续数据集标注的理论基础; 区别于传统的分类问题, 建立一种适用于姿态估计的回归网络与估计框架。采用毫米波频段的电测仿真计算数据对所提方法进行验证, 结果表明, 单张图像中估计的平均姿态误差可以控制在3.5 °以内。
逆合成孔径雷达 成像特性 回归网络 姿态估计 实时预估 Inverse Synthetic Aperture Radar(ISAR) imaging characteristics regression network attitude estimation real-time prediction 太赫兹科学与电子信息学报
2023, 21(4): 572
针对利用三维合成孔径技术成像的毫米波人体安检设备成像分辨力低的问题, 提出一种将迭代自适应(IAA)技术与合成孔径成像技术相结合的波数域 IAA成像算法。波数域 IAA技术能估计出每个潜在位置所对应的信号源能量, 具有分辨力高、旁瓣低且适合单快拍估计等优点。通过理论模型分析和仿真运算, 将重构效果图与传统的匹配滤波方法重构效果图进行对比分析, 验证了该算法的有效性; 同时随着计算能力的提高, 该算法的性能也得到提高。
毫米波成像 合成孔径雷达 迭代自适应 超分辨算法 millimeter wave imaging Synthetic Aperture Radar(SAR) Iterative Adaptive Approach super-resolution algorithm 太赫兹科学与电子信息学报
2023, 21(11): 1364
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
针对合成孔径雷达(SAR)目标分类问题, 联合二维变分模态分解(BVMD)和卷积神经网络(CNN), 通过二维变分模态分解获得原始SAR图像的多模态表示, 反映目标的全局和细节信息; 设计适当的卷积神经网络分别对各个模态进行分类并输出后验概率矢量; 基于Bayesian理论融合各个模态的后验概率矢量;并根据融合后的结果判定目标结果。所提方法通过结合二维变分模态分解和卷积神经网络的优势综合提升SAR图像目标分类性能。实验中, 基于MSTAR数据集对所提方法在4种典型场景下进行了测试并与现有方法进行对比, 结果表明所提方法性能更具优势。
合成孔径雷达图像 目标分类 二维变分模态分解 卷积神经网络 Bayesian决策融合 SAR image target classification BVMD CNN Bayesian decision fusion
