原论文:Synthetic Aperture Radar Target Recognition with Feature Fusion Based on a Stacked Autoencoder
Sensors 2017, 17(1), 192; doi:10.3390/s17010192
Article
国防科大,北京遥感信息研究所(网上查不到任何信息,可能保密单位)
特征提取是各种自动目标识别过程里非常关键的一步,尤其是合成孔径雷达图像的识别。为了得到明显的易于区分不同目标的特征,本文提出了一个基于SAE的特征融合算法,把特征经过SAE网络处理(融合)以后能提升识别性能!首先提取了23种基本特征(baseline features,这是图像的几何参数里提取的geometric parameters)和三片局部二值模式特征(TPLBP,three patch local binary pattern,翻译成三片局部二值模式很生硬哈,但想不到更好的了?,这是图像的纹理特征texture features),这些特征可以以更小的冗余度和更大的互补性(原图相邻像素之间冗余度非常大,描述的信息十分接近,一般原始语音原始图像都有很多冗余,比如奈奎斯特采样定理就说了,只要采样频率大于等于两倍信号最高频率,得到的离散序列和原始连续时间信号就完全等价,一点信息也没失去,语音和图像,文本的传输之前都会想办法去除冗余实现压缩以降低传输成本,即需要的传输带宽)描述图像的全局以及局部信息。然后设计了一个高效的特征融合SAE网络,基本特征和三片局部二值模式特征向量级联起来输入到SAE网络去。然后,用一个无监督的学习算法(逐层贪婪训练法)去预训练SAE网络,由于具有特征表示的能力,SAE网络融合以后的特征更加明显。最后,这个模型被一个softmax分类器精调(fine-tuned)再运用到目标分类中。十种基于MSTAR数据集的SAR目标得到了高达95.43%的分类精度,这就验证了提出的算法的有效性。
合成孔径雷达的发展使得合成孔径雷达图像(SAR图)爆炸式增长。手动识别大量的SAR图像耗时,不现实,因此ATR( automatic target recognition自动目标识别)算法在不断加速发展。对于传统的SAR AT