【技术实现步骤摘要】
本专利技术涉及计算机神经网络和信号处理，具体涉及一种基于轻量化神经网络的sar场景目标识别方法及装置。
技术介绍
1、深度学习理论的持续进步和完善极大地推动了神经网络在图像识别领域的发展，特别是在光学图像识别方面。借助深度学习模型，如卷积神经网络(convolutional neuralnetworks cnn)，研究人员已经能够在图像分类和目标检测上实现极高的准确度和效率。然而，当尝试将这些技术应用于sar图像识别时，面临的挑战显著增加。
2、sar图像，作为一种独特的遥感数据类型，其成像原理、数据特征和信息呈现方式与光学图像大相径庭。sar通过主动发射微波并接收其反射信号来捕捉地表信息，其图像中蕴含着丰富的纹理、相位和多极化特征，但这些信息的提取常常伴随着斑点噪声和几何畸变等难题。这些特性使得sar图像的识别任务相较于光学图像更加复杂。
3、虽然深度学习在光学图像识别领域取得了显著成果，但直接将现有的神经网络模型用于sar图像识别却并不可靠。这是因为光学图像和sar图像在数据分布和特征表达上存在本质差异，导致...
【技术保护点】
1.一种基于轻量化神经网络的SAR场景目标识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于轻量化神经网络的SAR场景目标识别方法，其特征在于，所述输入预处理子模块用于对所述训练数据集进行标注，并将所述训练数据集划分为训练集和测试集；通过对样本进行随机打散，提取样本的幅度、相位和小波域信息；
3.根据权利要求2所述的一种基于轻量化神经网络的SAR场景目标识别方法，其特征在于，所述核心特征提取子模块用于提取SAR场景目标的局部联系信息，通过所述局部联系信息揭示目标内部的局部结构和关系；
4.根据权利要求3所述的一种基于轻量...
【技术特征摘要】
1.一种基于轻量化神经网络的sar场景目标识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于轻量化神经网络的sar场景目标识别方法，其特征在于，所述输入预处理子模块用于对所述训练数据集进行标注，并将所述训练数据集划分为训练集和测试集；通过对样本进行随机打散，提取样本的幅度、相位和小波域信息；
3.根据权利要求2所述的一种基于轻量化神经网络的sar场景目标识别方法，其特征在于，所述核心特征提取子模块用于提取sar场景目标的局部联系信息，通过所述局部联系信息揭示目标内部的局部结构和关系；
4.根据权利要求3所述的一种基于轻量化神经网络的sar场景目标识别方法，其特征在于，所述空间映射子模块通过多层感知机网络，采用空间映射策略对从所述深层特征提取子模块接收的特征进行加权映射，得到类别数据值，并将所述类别数据值发送到所述分类输出子模块；
5.根据权利要求4所述的一种基于轻量化神经网络的sar场景目标识别方法，其特征在于，在构建所述训练数据集的过程中，所述训练数据集是将mstar数据集与minisar数据集通过cm图像融合策略融合之后进行逆成像的sar场景目标信号。
6.一种基于轻量化神经网络的sar场景目标识别装置，采用权利要求1-5任一种基于轻量化神经网络的s...
【专利技术属性】
技术研发人员：全斯农，蔡志豪，孟维泽，邢世其，李永祯，汪俊澎，王浩，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。