基于深度学习的合成孔径雷达图像端到端自动目标识别
计算机视觉与模式识别
2018-01-29 v1
摘要
合成孔径雷达(SAR)自动目标识别(ATR)的标准架构包含三个阶段：检测、判别和分类。近年来已有用于 SAR ATR 的卷积神经网络(CNN)被提出，但其中大多数将目标芯片从 SAR 图像中提取出来进行分类，作为 SAR ATR 第三阶段的分类任务。在本报告中，我们提出了一种用于 SAR 图像端到端 ATR 的新型 CNN。该名为验证支持网络(VersNet)的 CNN 端到端地执行 SAR ATR 的全部三个阶段。VersNet 输入任意尺寸、含多类和多目标的 SAR 图像，输出表示各检测目标位置、类别和姿态的 SAR ATR 图像。本报告描述了 VersNet 的评估结果：使用运动与静止目标获取与识别(MSTAR)公开数据集，训练其针对每个像素输出全部 12 类的分数——10 个目标类、1 个目标正面类和 1 个背景类。
引用
@article{arxiv.1801.08558,
title = {Deep Learning for End-to-End Automatic Target Recognition from Synthetic Aperture Radar Imagery},
author = {Hidetoshi Furukawa},
journal= {arXiv preprint arXiv:1801.08558},
year = {2018}
}
备注
Technical Report, 6 pages, 7 figures, 7 tables, Copyright(C)2018 IEICE