基于全卷积网络的SAR目标分类

基于全卷积网络的SAR目标分类

1. MSTAR数据集扩充

• 在原始SAR图像（128×128）中随机裁剪88×88大小的切片，每一张切片都能包含目标区域，经过随机采样样本数量可达（128-88+1）×（128-88+1）=1681 倍，每一个类别的每张SAR图像都采样10个切片，从而提高训练样本数量。

2. 全卷积网络模型（AConvNets）

• 网络完全由卷积层实现，去掉全连接层，最后一层卷积输出直接Softmax输出每个类别概率，损失函数依旧为分类交叉熵损失，具体网络模型如下：

• 其中卷积层使用BN层防止过拟合并加速训练，输入训练集维度：[b, 88, 88, 1] -> 输出：[b, 1, 1, 10]，训练仍然采用的分类交叉熵损失，优化器Adam，学习率为0.0001。

3. SOC条件下分类结果

• 训练集和测试集如下：

  类别	数量
  	训练集17°	测试集15°
  2S1	299	274
  BMP2	233	196
  BRDM2	298	274
  BTR60	256	195
  BTR70	233	196
  D7	299	274
  T62	299	273
  T72	232	196
  ZIL131	299	274
  ZSU23/4	299	274
  总计	2747	2426

• 训练集每张SAR图像裁剪5个随机切片，中心裁剪1个切片，均为88×88像素，训练集一共2747×6=16482 (张)。测试集中心裁剪88×88的切片。

• 训练：epoch = 50， Adam优化器，learning_rate = 0.0001, 在tensorboard中显示训练集和测试集Accuracy、Loss曲线：

  

• 计算测试集的混淆矩阵如下：

   	 2S1 BMP2 BRDM B60 B70 D7 T62 T72 ZIL ZSU	
  2S1[[263   0   0   0   0   0  11   0   0   0]	95.99%
  BMP2[  0 132   0  18   3   0   0  42   0   1]	67.35%
  BRDM[  0   0 272   0   0   0   0   0   0   2]	99.27%
  B60 [  0   0   0 192   0   0   0   0   1   2]	98.46%
  B70 [  0   0   0  13 181   0   0   2   0   0]	92.35%
  D7 	[  2   0   0   0   0 272   0   0   0   0]	99.27%
  T62 [  0   0   0   0   0   0 273   0   0   0]	100%
  T72 [  0   0   0   1   0   0   0 195   0   0]	99.49%
  ZIL [  0   0   0   0   0   4   0   0 270   0]	98.54%
  ZSU [  0   0   0   0   0   0   0   0   0 274]]	100%
  总计： 95.07% 
  The Precision is :  0.9574354589252246
  The Recall is :  0.9507109053615832
  The Accuracy is :  0.9579554822753503
  The F1 is :  0.9493873742571258
  The F_beta is :  0.949223632328047
  The Auc Score is :  0.9996171502953114
  

4. EOC1条件下分类结果

• EOC1是大俯仰角变化条件下，其训练集和测试集如下：

  类别	数量	数量
  	训练集17°	测试集30°
  2S1	299	288
  BRDM2	298	287
  T72	299	288
  ZSU234	299	288
  总计	1195	1151

• 训练集每张SAR图像裁剪5个随机切片，中心裁剪1个切片，均为88×88像素，训练集一共1195×6=7170 (张)。测试集中心裁剪88×88的切片。

• 训练：epoch200，Adam优化器，learning_rate = 0.0001, 在tensorboard中显示训练集和测试集Accuracy、Loss曲线：
  [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-
  

• 计算测试集的混淆矩阵如下：

       2S1  BRDM  T72  ZSU	
  2S1   288   0    0    0		100%
  BRDM   0   287   0    0		100%
  T72    0    0   287   1		99.65%
  ZSU   59    0    0   229	79.51%
  总计： 94.79% 
  
  The CNN Precision is :  0.9564058388673098
  The CNN Recall is :  0.9479166666666666
  The CNN Accuracy is :  0.947871416159861
  The CNN F1 is :  0.9473793419770824
  The CNN F_beta is :  0.9465925313694183
  

5. EOC2条件下分类结果

• EOC2是车辆外观配置变化，其训练集如下：

  类别	数量（俯仰角17°）
  BMP2（9563）	233
  BRDM2	298
  BTR70（C71）	233
  T72（132）	232
  总计	995

• 测试集：

  类别	型号	数量（俯仰角17° & 15°）
  T72	S7	419
  T72	A32	572
  T72	A62	573
  T72	A63	573
  T72	A64	573
  总计		2710

• 训练集每张SAR图像裁剪10个随机切片，中心裁剪1个切片，均为88×88像素，训练集一共995×11=10945(张)。测试集中心裁剪88×88的切片。

• 训练：epoch50，Adam优化器，learning_rate = 0.0001, 在tensorboard中显示训练集和测试集Accuracy、Loss曲线：
  

• 计算测试集的混淆矩阵如下：

  	BMP2  BRDM2  BTR70   T72  
  S7	 8		0	   0     411	98.09%
  A32	 0      0      0     572	100%
  A62  1      0      0     572	99.83%
  A63  1      0      0     572	99.83%
  A64  4      0      0     569	96.14%
  总计：98.78%
  

6. EOC3条件下分类结果

• EOC3是针对同一目标的不同型号变种，训练集和EOC2训练集一致，测试集如下：

  类别	型号	数量（俯仰角17° & 15°）
  BMP2	9566	428
  BMP2	C21	429
  T72	812	426
  T72	A04	573
  T72	A05	573
  T72	A07	573
  T72	A10	567
  总计		3569

• 这里直接用EOC2训练好的模型进行预测，测试集的混淆矩阵如下：

  		   BMP2   BRDM2    BTR70   T72  
  BMP9566	   359		0		17	    52		83.88%
  BMPC21	   372		0		1		2		86.71%
  T72_812		2		0		1	   423		99.30%
  T72_A04		3		0		0	   570		99.48%
  T72_A05		1		0		0	   572		99.83%
  T72_A07		0		0		0	   573		100%
  T72_A10		20		0		0	   547		96.47%		
  总计：95.74%