3、深度学习在合成孔径雷达自动目标识别与变化检测中的应用

深度学习在合成孔径雷达自动目标识别与变化检测中的应用

1. 合成孔径雷达自动目标识别算法对比

在合成孔径雷达（SAR）自动目标识别（ATR）领域，为了评估算法性能，进行了多方面的实验对比。

1.1 与文献算法对比

典型的MSTAR实验是在17°仰角数据上进行训练，在15°仰角数据上进行测试。将所提出的算法应用于标准MSTAR实验，在50个训练周期内，算法实现了99.3%的整体准确率。不过，这一结果更多地反映了训练数据和测试数据的相似性，而非算法本身的性能。

1.2 与模板匹配算法对比

为验证所提算法相对于模板匹配算法的改进，重复了主要实验（在合成数据上训练，在MSTAR公开可用数据上测试）。模板匹配算法的步骤如下：
1. 处理给定的测试芯片和所有模板芯片（保留前N个像素，然后将值分箱到离散区间）。
2. 找出处理后的测试芯片与所有处理后的模板芯片之间的最大相关性。
3. 将产生最佳匹配的模板的类别报告为预测类别。

使用相同的训练数据，模板匹配算法仅实现了约79%的整体分类准确率。因此，所提出的算法使整体分类性能提高了约13%。

2. 合成孔径雷达图像变化检测方法概述

合成孔径雷达（SAR）图像可在任何天气和光照条件下获取，这一特性使其在变化检测（CD）方法中具有重要应用价值，如用于灾害监测、洪水检测和农业监测等。然而，SAR图像存在独特问题，如斑点噪声和侧视采集失真，需要解决这些问题以准确检测变化。

2.1 传统变化检测方法

一些CD方法通过多时间分类来检测图像之间的变化，但这些方法需要大量标记数