基于YOLO与极深多典型相关分析的SAR新目标识别
计算机视觉与模式识别
2021-11-01 v1 机器学习
摘要
合成孔径雷达（SAR）图像易受噪声污染，这使得SAR图像中的目标识别非常困难。受极深卷积神经网络（CNN）巨大成功的启发，本文提出一种鲁棒的特征提取方法，通过自适应融合来自不同CNN层的有效特征来进行SAR图像目标分类。首先，微调YOLOv4网络以从相应的MF SAR目标图像中检测目标。其次，在运动与静止目标获取及识别（MSTAR）数据库上从头训练一个极深CNN，整个网络均使用小滤波器以降低散斑噪声。此外，使用小尺寸卷积滤波器减少了每层的参数数量，从而随着CNN加深降低了计算成本。所得到的CNN模型能够在无需任何噪声滤波或预处理技术的情况下从目标图像中提取极深特征。第三，本文方法提出使用多典型相关分析（MCCA）自适应地学习来自不同层的CNN特征，使得所得表示高度线性相关，因此即使使用简单的线性支持向量机也能获得更好的分类精度。在MSTAR数据集上的实验结果表明，所提方法优于现有最优（SOTA）方法。
引用
@article{arxiv.2110.15383,
title = {New SAR target recognition based on YOLO and very deep multi-canonical correlation analysis},
author = {Moussa Amrani and Abdelatif Bey and Abdenour Amamra},
journal= {arXiv preprint arXiv:2110.15383},
year = {2021}
}
备注
20 pages. International Journal of Remote Sensing (2021)