基于半监督学习的SAR目标检测网络
现有的基于卷积神经网络(CNN)的合成孔径雷达(SAR)图像目标检测算法依赖于大量切片级标记的样本,然而对SAR图像进行切片级标记需要耗费大量的人力和物力.相对于切片级标记,仅标记图像中是否含有目标的图像级标记较为容易.该文利用少量切片级标记的样本和大量图像级标记的样本,提出一种基于卷积神经网络的半监督SAR图像目标检测方法.该方法的目标检测网络由候选区域提取网络和检测网络组成.半监督训练过程中,首先使用切片级标记的样本训练目标检测网络,训练收敛后输出的候选切片构成候选区域集;然后将图像级标记的杂波样本输入网络,将输出的负切片加入候选区域集;接着将图像级标记的目标样本也输入网络,对输出结果中的正负切片进行挑选并加入候选区域集;最后使用更新后的候选区域集训练检测网络.更新候选区域集和训练检测网络交替迭代直至收敛.基于实测数据的实验结果证明,所提方法的性能与使用全部样本进行切片级标记的全监督方法的性能相差不大.
合成孔径雷达、目标检测、半监督学习、卷积神经网络
42
TN957.51
国家自然科学基金;高等学校学科创新引智计划;陕西省重点科技创新团队计划
2020-03-23(万方平台首次上网日期,不代表论文的发表时间)
共10页
154-163