超级会员免费看
针对SAR船只目标识别样本量有限的问题，本文提出了一种基于VGG16迁移学习的识别方法。该方法通过微调预训练模型，改善小样本情况下的过拟合问题，提高了识别率。实验结果表明，该方法在TerraSAR数据集上的表现优于传统识别方法，如BOW、SPM和FV模型。
【摘 要】合成孔径雷达（SAR）目标识别的主流手段是神经网络，其依赖于大数据量的训练，但SAR船只样本量少，且传统识别方法提取的特征又具有很强的易变性，分类效果不佳。针对SAR船只目标样本量受限的问题，提出了基于VGG16迁移学习的识别方法，该方法在已有模型的基础上进行参数的微调，使其适应目标数据集，从而解决在训练样本缺失情况下，识别过程中存在的过拟合和局部最优解等问题。利用TerraSAR数据库进行对比实验，结果表明该方法优于传统识别方法。
【关键词】小样本；SAR船只识别；迁移学习；VGG16
0 引言
合成孔径雷达（SAR, Synthetic Aperture Radar）具有全天时、全天候的特点，不受光照和天气的影响，有丰富的特征信号，包含极化、幅度和相位信息[1]，并具有很强的穿透能力且能快速检测识别目标，全天时工作能及时提供数据，为SAR图像的目标识别提供了可靠的支持[2]。
目前在传统方法中，SAR目标识别的三种主流方法是：基于模板的方法[3]、基于模型的方法[4]以及基于特征的方法[5]。基于模板的方法是通过与模板之间计算相似度来判断目标类别，这种方法需要大量的目标图像模
订阅专栏 解锁全文
扫一扫
508
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
