论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天候、全天时执行遥感监测任务的能力,通过对目标的多个回波进行相干累加,可以得到目标的二维SAR图像。并且微波遥感具有一定的地面和植被穿透能力,有助于发现机场、港口、桥梁、道路等人造建筑目标以及飞机、坦克、舰船等军事目标,因此具有重要的军事和民事应用价值。为了提高SAR图像目标识别率,在预处理、特征提取和分类器设计等关键步骤都需要有针对性的进行设计。本文对上述关键步骤的设计展开研究,主要研究成果如下:针对SAR图像目标识别中经常遇到的训练样本不足,单任务学习无法充分训练分类模型的问题,设计了一种基于多任务学习的SAR图像目标识别方法。采用“一对其余”(One vs.Rest,OvR)的拆分方式将多分类任务划分为多个二分类任务,再应用多任务学习器进行学习,利用多任务学习的任务间信息共享机制提升算法在训练样本不足时的分类能力。对比实验结果表明:在SAR图像目标识别时,基于多任务学习的SAR图像目标识别方法的识别准确率高于单任务学习方法;在使用40%的训练样本训练分类器时,与采用全部训练样本相比,基于多任务关联学习(Multi-task Relationship Learning,MTRL)的 SAR 图像目标识别方法的识别准确率仅下降了 0.44%,证明了所提方法在SAR图像样本较少时的分类能力。针对基于多任务学习的SAR图像目标识别方法的时间复杂度较高、各任务数据集中正负样本分布不均衡而影响分类效果的问题,提出下采样方法与多任务学习相结合的策略。该策略使用下采样对多任务学习中各任务的训练数据进行下采样,使用采样过的数据训练多任务学习器。下采样可以改变数据分布的不平衡度,在减少分类算法运行时间的同时提升算法的泛化性能。分别将K-means、层次聚类和随机抽样应用于MTRL方法和聚类多任务学习(Clustered Multi-task Learning,CMTL)方法进行实验,结果表明:对各任务的训练数据下采样后,MTRL方法和CMTL方法的模型训练时间分类别减少了 92%和69%;相比于其他两种采样方法,采用K-means作为下采样手段时,MTRL和CMTL方法均获得了最高的识别准确率,证明了所提策略可以提高基于多任务学习的SAR图像目标识别方法的应用价值。