基于多方位感知双向LSTM循环神经网络的SAR目标识别
计算机视觉与模式识别
2017-12-27 v1 机器学习
摘要
深度学习出色的模式识别性能为合成孔径雷达（SAR）自动目标识别（ATR）带来了新的活力。然而，当前基于深度学习的ATR方案存在一个局限：每个学习过程仅处理一幅SAR图像，即学习静态散射信息，而忽略了空间变化信息。显然，引入空间变化散射信息的多方位联合识别应能提高分类精度和鲁棒性。本文提出了一种新颖的多方位感知方法，通过基于双向长短期记忆（LSTM）循环神经网络的空间变化散射信息学习来实现这一思想。具体而言，我们首先选取不同方位角图像以生成多方位空间变化图像序列。然后，逐步实施Gabor滤波器和三块局部二值模式（TPLBP）以提取全面的空间特征，随后通过多层感知机（MLP）网络进行降维。最后，我们设计了一个双向LSTM循环神经网络来学习多方位特征，并进一步集成softmax分类器以实现目标识别。实验结果表明，所提方法在10类识别中可达到99.9%的准确率。此外，其抗噪声和抗混淆性能也优于传统的基于深度学习的方法。
引用
@article{arxiv.1707.09875,
title = {SAR Target Recognition Using the Multi-aspect-aware Bidirectional LSTM Recurrent Neural Networks},
author = {Fan Zhang and Chen Hu and Qiang Yin and Wei Li and Hengchao Li and Wen Hong},
journal= {arXiv preprint arXiv:1707.09875},
year = {2017}
}
备注
11 pages, 10 figures