文献2 基于深度卷积网络的SAR图像目标检测识别_卷积神经网络sar图像目标识别

基于深度卷积网络的SAR图像目标检测识别

0.概述

本文主要介绍了使用CNN，Fast RCNN和Faster RCNN 等模型对MSTAR SAR公开数据集进行目标识别及目标检测实验的方法，并验证了卷积神经网络在SAR图像识别领域的有效性和高效性。

1.研究目标

利用RCNN扩展模型Fast RCNN和Faster ECNN进行SAR图像目标检测

2.背景与问题

背景
SAR图像的自动识别技术是科研的难点。相比于传统的机器学习算法，深度学习在特征提取方面具有无可比拟的优越性。
问题
SAR所成图像对地物回波的强弱不敏感，层次感较差；雷达波反射的不均匀造成图像的分辨率较低，目标边缘模糊；SAR图像噪声较多，对目标检测影响较大

3.方法

目标检测分为目标的定位和识别，其中目标识别由卷积神经网络实现，目标的位置定位方法很多。
RCNN扩展模型
1.RCNN检测算法—利用图像分割方法，寻找到一些可能是物体的区域；再把这些区域的尺寸缩放成卷积神经网络的输入尺寸，由卷积神经网络的识别结果判断该区域是不是物体，是哪个物体；最后对物体的区域回归微调以增加位置定位的精准度。
2.Fast RCNN使用图像分割方法提取感兴趣区域，将原始图像输入卷积神经网络，只进行一次特征提取。

4.评价

相比常规的SAR图像目标检测方法，使用卷积神经网络不仅简化目标检测流程，还提高识别效率。
但是实验结果缺乏通用性，所用数据集过于单一。

5.结论

卷积神经网络的扩展模型Fast RCNN和Faster RCNN均能实现较好的检测效果，且后者模型远远优于前者