科研之友
微信
新浪微博
Facebook
分享链接
摘要
深度学习方法在合成孔径雷达（Synthetic Aperture Radar, SAR）目标识别方面表现良好，但是这些深度模型往往需要大量训练数据来对模型参数进行优化，否则经常会遇到严重的过拟合问题，导致目标识别准确率低，模型泛化能力差.针对上述问题，基于元学习框架，提出了针对小样本条件下SAR目标识别的特征注意力融合元残差网络.在该方法中，基于残差网络设计了全新的学习器，通过利用残差结构，有效传递SAR图像的对比度信息，提高目标识别准确率，而且多尺度特征注意力融合模块通过注意力机制，融合不同残差层特征，为目标识别提供更丰富的特征信息.改进的元学习器不仅能够为学习器学习到易于优化的初始化参数，而且能够为学习器的每一个参数学习一个不同但是合适的学习率.与其他三种小样本目标识别方法在MSTAR数据集上进行对比实验，结果表明本文方法提高了小样本条件下SAR目标识别方法的识别准确率和识别模型的泛化性能.对所提方法进行了鲁棒性验证实验，网络结构消融实验，并展示了元学习器为学习器参数学习到的不同但是合适的学习率.
- 单位
