[发明专利]预训练复数全卷积神经网络的SAR目标分类方法

说明书

本发明涉及一种预训练复数全卷积神经网络的SAR目标分类方法，该方法的步骤包括：步骤S1:根据复数全卷积神经网络结构，改进复数卷积自编码器结构；步骤S2:采用训练样本进行复数卷积自编码器的训练；步骤S3:将训练好的复数卷积自编码器中的编码器参数初始化复数全卷积神经网络，进一步采用训练样本微调复数全卷积神经网络；步骤S4:采用训练好的复数全卷积神经网络对测试样本进行分类，本发明针对基于复数卷积神经网络的SAR图像目标识别中，因训练样本数少而带来的过拟合问题，采用复数卷积自编码器预训练复数全卷积神经网络，实现用少量训练样本获取高的目标识别率。

技术领域

本发明涉及雷达信号处理领域，尤其涉及一种预训练复数全卷积神 经网络的SAR目标分类方法，解决SAR目标分类过程中，因训练样本 数少而带来的过拟合问题，从而实现用少量训练样本获取较高的目标识 别率。

背景技术

合成孔径雷达SAR自动目标识别能够解决人工解读SAR图像所耗 费的人力和物力资源问题，一直是SAR领域的研究热点之一。近年来， 随着深度学习的发展，基于深度学习的SAR自动目标识别取得迅猛发 展。卷积神经网络是一种常用的深度学习网络，已广泛应用于SAR图像 中各类目标的分类和识别中。

卷积神经网络最早被直接应用于SAR目标识别。由于SAR图像训 练样本数少，基于卷积神经网络的SAR目标识别容易出现过拟合问题。 为了解决该问题，一些改进的方法被提出，如，卷积神经网络结构的改 进、数据集的扩充、迁移学习和卷积神经网络相结合，以及无监督训练 和卷积神经网络相结合等。然而，这些方法均采用SAR图像幅度信息进 行分类，而没有考虑SAR图像的相位信息。

事实上，SAR图像的相位信息也包含有目标特征。为了有效地处理 复数SAR图像数据，复数卷积神经网络得到研究。Zhang等人提出了一 种基于利用复数卷积神经网络的SAR图像目标识别方法。机载Flevoland 数据集和Oberfaffenhofen数据集的实验结果表明，采用复数卷积神经网 络能够比传统的实数卷积神经网络具有更高的平均正确识别率(Zhimian Zhang,Haipeng Wang,Feng Xu,and Ya-Qiu Jin,“Complex-valuedconvolutional neural network and its application in polarimetric SAR imageclassification”,IEEE Transaction Geoscience and Remote Sensing,2017, 55(12):7177-7188)。但是，该方法仍然存在因训练样本数少而带来的过 拟合问题。若采用复数卷积自编码器预训练复数卷积神经网络，后再进 行复数卷积神经网络的微调，则能够有效地减少过拟合问题，进而提高 目标的识别率。

发明内容

本发明目的是提供一种预训练复数全卷积神经网络的SAR目标分 类方法，能够在少量训练样本情况下获取较高的目标识别率。

为达到上述目的，本发明提供一种预训练复数全卷积神经网络的 SAR目标分类方法的步骤包括：

步骤S1:根据复数全卷积神经网络结构，改进复数卷积自编码器结 构；

步骤S2:采用训练样本进行复数卷积自编码器的训练；

步骤S3:将训练好的复数卷积自编码器中的编码器参数初始化复数 全卷积神经网络，进一步采用训练样本微调复数全卷积神经网络；

步骤S4:采用训练好的复数全卷积神经网络对测试样本进行分类。

所述复数全卷积神经网络为实虚两路全卷积神经网络。

本发明的有益效果是：针对基于复数卷积神经网络的SAR图像目标 识别中，因训练样本数少而带来的过拟合问题，采用复数卷积自编码器 预训练复数全卷积神经网络，实现用少量训练样本获取高的目标识别 率。

附图说明