科研之友
微信
新浪微博
Facebook
分享链接
摘要
现阶段深度学习算法在对合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别时，通常面临着实测数据部分样本缺失的情况，利用电磁仿真数据进行辅助识别是有效途径之一。然而，仿真和实测数据存在不可避免的差异，现有仿真图像质量提升方法更关注仿真和实测图像整体风格的相似性，忽略了面向识别的目标散射特征的重要性。针对上述问题，本文提出了一种基于散射特征增强的SAR目标电磁仿真图像质量提升方法。该方法在循环生成对抗网络（Cycle Generative Adversarial Networks,CycleGAN）框架下，改进损失函数，一方面使用最小二乘损失函数替代交叉熵损失函数，避免了梯度消失，实现对目标纹理结构特征的迭代优化；另一方面引入MS-SSIM-L1损失函数，更好地保留生成图像的细节信息和结构轮廓，保持目标整体结构一致性，同时有效避免模型的过度学习。基于4类车辆目标仿真数据集和MSTAR实测数据集，利用目标轮廓、阴影轮廓和目标强度特征相似度指标，验证了本文方法增强了目标细节纹理和结构轮廓等散射特征。在此基础上，结合A-ConvNets网络开展了目标分类识别实验，相较于原始CycleGAN方法，本文方法在不同样本缺失条件下均提高了识别准确率。通过特征可视化，表明生成图像更接近实测图像的目标特征分布，验证了本文方法的有效性。
- 单位
