CN110516561A 基于dcgan和cnn的sar图像目标识别方法 （西安电子科技大学）

本发明提出了一种基于DCGAN和CNN的SAR图像目标识别方法，用于解决现有技术存在的SAR度卷积对抗神经网络DCGAN和深度卷积神经网络训练好的深度卷积神经网络CNN对SAR图像进行数据用以增广数据集，再利用增广数据集对CNN2构建包括生成器网络和判别器网络的深度卷积对抗神经网络DCGAN，其中生成器网络构建包括多层卷积层、全局平均池化层和两个全连接层的深度卷积神经网络CNN，该从训练样本集中每次随机选取m个训练样本，共选取P从训练样本集中每次随机选取a个训练样本，共选取b次对增广训练集中的每幅图像进行随机左右镜(6b)从经过数据增强的增广训练集中随机选取c个训练样本，输入到深度卷积神经网(6c)从测试样本集中随机选取c个测试样本输入到深度卷积神经网络CNN中，并计算c将N幅待检测SAR图像输入到训练好的深度卷积神经网络CNN，得到目标对应的类别标2.根据权利要求书1所述的基于DCGAN与CNN的3所述深度卷积对抗神经网络DCGAN，其中的生成器网络包括全连接层和5个反卷积层：全连接层→第一反卷积层→第二反卷积层→第三反卷积层→第四反卷积层→第五反卷积第一卷积层→第二卷积层→第三卷积层→第四卷积层→第五卷积层→第一全连接层→第络输入端分为两路，分别连接生成器网络的输出端和从训练样本集中每次随机选取的m个积层→第二卷积层→第三卷积层→第四卷积层→全局平均池化层→第一全连接层→第二3.根据权利要求书1所述的基于DCGAN与CNN4DCGAN和CNN的SAR图像目标识别方法。SAR图像目标识别在军事目标的识别与毁伤效能评[0002]合成孔径雷达SAR(SyntheticApertureRadar)是一种主动式高像与使用的训练样本的成像条件差别较大的情况下，目标识别方法仍能够有效进行目标目标识别网络的过拟合程度是影响泛化能力的重要因素，而训练图像的特征信息明显程度、训练图像数据量是影响目标识别网络的过拟合程度主要因素。训练图像目标特征信专利文献“一种基于SAGAN样本扩充和辅助信息的SAR目标分类方法”(专利申请号：和改进，并添加适当的正则化条件，联合SAGAN小样本生成和SAGAN小样本超分辨率的成5像目标识别方法，用于解决现有技术存在的SAR图像目标识别的泛化能力较弱的技术问[0011]构建包括多层卷积层、全局平均池化层和两个全连接层的深度卷积神经网络[0017]对增广训练集中的每幅图像进行随机左右镜像翻转处理，并对经过随机翻转处理后的每幅图像进行随机亮度变化处理，然后对经过随机亮度变化处理后的每幅图像进[0021](6c)从测试样本集中随机选取c个测试样本输入到深度卷6[0026]第一，由于本发明所生成的SAR图像模拟数据，是通过深度卷积对抗神经网络的SAR图像模拟数据能够学习到SAR图像的深层特征信息，解决了SAR图像特征不明显不易维且通过随机正态分布进行初始化的随机噪声信号，全连接层的输出通道数为4×4×7[0049]判别器网络包括5个卷积层和2个全连接层：第一卷积层→第二卷积层→第三卷第一全连接层的输出通道数为1024，激活函数为leaky-relu函数；第二全连接层为1个三[0052]判别器网络输入端分为两路，分别连接生成器网8[0059]判别器网络中引入了卷积神经网络的结构，而卷积神经网络适合提取目标的特[0060]构建包括多层卷积层、全局平均池化层和两个全连接层的深度卷积神经网络[0061]深度卷积神经网络CNN包括多层卷积层、全局平均池化层和两个全连接层：第一卷积层→第二卷积层→第三卷积层→第四卷积层→全局平均池化层→第一全连接层→第数为256，使用随机失活dropout，保留率为j为该类别的输出结果，该函数通过指数运算归一化将分布较为接近的输入数值的分[0067]通过深度卷积对抗神经网络DCGAN生成的模拟数据能够学习数据中目标的深层9[0073]对增广训练集中的每幅图像进行随机左右镜像翻转处理，并对经过随机翻转处理后的每幅图像进行随机亮度变化处理，然后对经过随机亮度变化处理后的每幅图像进[0076](5c)对经过随机亮度变化处理的图像进行随机对比度变化处理，对比度变化的[0083](6c)从测试样本集中随机选取c个测试样本输入到深度卷[0089]仿真实所用的数据为移动和静止目标获取与识别(MovingandStationary为验证样本集。训练样本集的部分图像如图2，图2(a)为类别2S1样本，图2(b)为类别BTR70样本，图2(c)为类别T72样本。MSTAR数据集具体数据分布如表1。硬件平台为Intel[0094]对本发明的基于深度卷积对抗神经网络DCGAN生成模拟样本的仿真结果如图3所[0097]对本发明的深度卷积神经网络CNN与传统SAR图像目标识别网络的验证样本集平重。该验证样本集平均识别准确率可以检测训练好的深度卷积神经网络CNN的过拟合情96.09%98.44%58.59%97.66%[0100]从表3中可以看出，本发明提出的基于深度卷积对抗网络的SAR图像增广数据集识别方法