9、合成孔径雷达图像导航与飞机检测技术解析

合成孔径雷达图像导航与飞机检测技术解析

合成孔径雷达图像导航模型构建

在合成孔径雷达（SAR）图像用于导航任务中，核心部分是构建一个能生成给定 SAR 图像全局特征向量的深度神经网络架构。设 e 为捕捉 SAR 图像语义信息的全局特征向量，它是函数 e = f (x, θ) 的输出，其中 x 是输入的 SAR 图像， θ 是参数向量，且 e ∈Rn ， x ∈Rm ， n ≪m 。这里的 f (x, θ) 由神经网络实现，生成的向量代表图像的“潜在”特征，也就是文献中常说的嵌入向量。我们的主要目标是构建这样的函数，使得地理上接近区域的图像 xi 和 xj 生成相似的向量 ei 和 ej ，而距离较远区域的图像生成不相似的向量。

为了找到参数 θ ，我们采用连体神经网络方法。网络架构以 SqueezeNet 为骨干，它是一个仅有 10 层、约 120 万参数的紧凑深度神经网络。选择该架构的主要原因是为了在处理大规模 SAR 图像数据集时实现计算的可扩展性，这对于实时导航任务至关重要，而许多现有的深度网络架构因规模过大难以满足这一需求。相比之下，SqueezeNet 的参数远少于常用的 VGG - 16（约 1.38 亿参数）和 AlexNet（约 6200 万参数）。

损失函数