基于改进的CNN和数据增强的SAR目标识别

【摘要】：针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题，提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout,随机删除部分神经元，增强网络的泛化能力。其次，在网络中引入L2正则化，简化模型的同时降低结构风险，并且能有效地抑制过拟合。然后，采用Adam优化网络，提高模型的收敛效率。最后，采用优选的数据增强方法，扩充SAR目标数据集，为网络训练提供更为充足的样本，进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验，结果表明设计的卷积神经网络识别准确率高，且具有更好的泛化性。