-
图 1 LeNet-5网络的结构示意图
Figure 1.
-
图 2 ILSVRC历年的冠军成绩
Figure 2.
-
图 3 深度网络和深度卷积网络在雷达图像领域发表的文章数示意图
Figure 3.
-
特性 光学图像 雷达图像 波段 可见光，红外 微波段 信号形式 多波段灰度信息 单波段复信号 成像原理 能量聚焦积累 相位相干积累 尺度特性 和成像距离有关 目标尺寸不随成像距离变化 成像方向 俯仰角-方位角 距离向-方位角 表 1 光学图像和雷达图像的差异
-
LeNet5 AlexNet Overfeatfast VGG16 GoogleNetV1 ResNet50 输入图像尺寸 28×28 227×227 231×231 224×224 224×224 224×224 卷积层数量 2 5 5 13 57 53 全连接层数量 2 3 3 3 1 1 卷积核大小 5 3,5,11 3,5,11 3 1,3,5,7 1,3,7 步长 1 1,4 1,4 1 1,2 1,2 权值参数数量 60 k 61 M 146 M 138 M 7 M 25.5 M 乘积运算数量 341 k 724 M 2.8 G 15.5 G 1.43 G 3.9 G Top-5误差 – 16.4 14.2 7.4 6.7 5.25 表 2 部分典型网络的参数总结
-
数据集 2S1 BMP2 BRD M2 BTR 60 BTR 70 D7 T62 T72 ZIL 131 ZSU 234 训练集 299 233 298 256 233 299 299 298 299 299 测试集 274 587 274 195 196 274 196 274 274 274 表 3 MSTAR数据集的目标类型和样本数量
-
名称 主要方法 旋转变换 将图像旋转一定角度 翻转变换 沿水平或垂直方向翻转图像 缩放变换 放大或缩小图像 平移变换 在图像平面上对图像进行平移 尺度变换 对图像按照置顶的尺度因子进行缩放，改变图像内容的大小或模糊程度 反射变换 对称变换，包括轴反射变换和镜面反射变换 噪声扰动 在图像内增加噪声，如指数噪声，高斯噪声，瑞利噪声，椒盐噪声等 表 4 常见数据增强技术
-
方法 提出场合 核心思想 MAP(%) 主要特点 候选窗方法 RCNN ECCV 2014 选择搜索方法生成候选窗 66.0 训练分多个阶段，每个候选窗都需要用CNN处理，占用磁盘空间大，处理效率低 Fast RCNN ICCV2015 加入了SPPnet 70.0 选择搜索方法生成候选窗，耗时长，无法满足实时应用 Faster RCNN NIPS2015 提出了RPN网络，融合区域生成与CNN 73.2 性能与速度较好的折中，但区域生成方式计算量依然很大，不能实时处理 R-FCN NIPS2016 RPN+位置敏感的预测层+ROI polling+投票决策层 76.6 速度比Faster RCNN快，且精度相当 回归方法 YOLO CVPR2016 将检测问题变为回归问题 57.9 没有区域生成步骤，网格回归的定位性能较弱，检测精度不高。 SSD ECCV2016 YOLO+Proposal+多尺度 73.9 速度非常快，性能也不错 表 5 基于CNN的目标检测方法对比
-
提升类型 主要思想 引用文献和方法概要说明 快速算法 快速寻优预训练 文献[47]：带动量小批量随机梯度下降，快速寻找全局最优点 文献[45]：预训练较浅卷积网络，实现无监督快速检测。 文献[53]：用大样本数据对卷积网络进行预训练 用其他结构取代全连接层 文献[40,47]：低自由度稀疏连通卷积结构 文献[39]：SVM代替FC 文献[53]：用超限学习机替换FC 抽取特征再训练 文献[54]：先抽取特征再训练的两步快速训练方法 提升算法 提高网络的泛化能力 文献[47]：Dropout和早期停止 文献[52]：将卷积层与2维PCA方法结合 代价函数改进 文献[46]：代价函数中引入类别可分性度量提高类别区分能力 含噪样本训练 文献[49]：基于概率转移模型增强含噪标记下分类模型鲁棒性。 扩展算法 迁移学习 文献[26,53,55]：大样本预训练，迁移学习加快训练速度 CAD模型仿真 文献[56]: 采用CAD模型目标仿真解决SAR真实数据有限问题 文献[57]: CAD模型生成不同方位和俯仰角度的HRRP图像 预处理提升信息的利用率 文献[41]：形态学成分分析预处理提升性能 文献[58]：采用去噪自编码器预训练 小样本深度训练网络 文献[42,44]：卷积高速公路单元在小样本条件下训练深度网络 文献[59]：无监督和有监督训练结合，应对标签数据有限情况 表 6 CNN在雷达图像识别应用进展的思想与方法概要
图共
3 个 表共
6 个
