MSTAR数据库作为SAR图像自动目标识别（SAR ATR）研究的一个通用库，被很多学者广泛采用。从现有的SAR ATR系统处理流程来看，目标检测作为该系统的前端，很大程度上影响系统后续识别性能，在较好的检测性能下获得的目标区域可以直接进行分类识别，避免了鉴别阶段进一步减少虚警目标。目标识别作为该系统的后端处理部分，是整个系统的重点也是难点。

深度学习作为当前图像处理领域的前沿热点，其在特征提取方面具有无可比拟的优越性。深度学习利用深层网络结构进行逐层的非线性变换，能够实现对复杂函数的逼近，通过分层的网络获取分层次的特征信息，有效解决了以往需要手工设计特征的难题。优秀的特征自学习能力使深度学习受到了学术界及工业界的广泛关注，在短短的几年时间里，深度神经网络已在图像分割、目标检测和识别等领域显示出了优越的性能。数据库作为深度神经网络学习的驱动力，完备的数据库至关重要，这里主要介绍MSTAR数据库如何与深度学习结合。

一、SAR目标检测

MSTAR数据集中包含大量地面目标切片和少量大场景图像，分辨率为0.3m×0.3m，可用于检测网络的训练和测试。利用目标切片和背景切片对网络的训练，完成对复杂大场景中机动目标的检测。训练样本如下：

（a）目标原图

（b）目标阴影标签图

（c）标签边缘提取

图3‑4　SAR目标标签仿真结果

图3‑5　MSTAR复杂场景切片图

验证网络的检测性能采用的数据如下：

也可采用MiniSAR数据进一步的验证网络的有效性：

二、目标识别

识别网络的训练和测试所用数据集来源于MSTAR数据库中的目标切片，其中的目标切片含有不同目标类型、方位角、俯仰角、外形配置变化和型号变种的SAR目标图像，图像分辨率为0.3m×0.3m，大小为128×128。本文中SAR图像目标识别实验所用数据来自该数据集中10类军事目标图像，分别为2S1、BRDM2、BTR60、D7、T62、T72、ZIL131、ZSU234、BMP2、BTR70、T72（坦克：T62，T72；装甲车：BMP2，BRDM2，BTR60，BTR70；火箭发射车：2S1；防空单元：ZSU234；军用卡车：ZIL131；推土机：D7）。目标切片的方位角为0°~360°，每个方位角间隔约1°~2°。俯仰角方面，数据集中包含上述十类目标在15°和17°俯仰角下的数据，其中对于2S1、BRDM2、T72、ZSU234四类目标含有俯仰角在30°和45°的数据。对于同一目标型号，BMP2和T72含有不同的变体型号，其中BMP2含有SN9563、SNC21和SN9566三种变体型号，T72则含有10种变体型号。图4‑8给出了十类目标的SAR图像和对应光学图像示例。

（a）2S1

（b）BRDM_2

（c）BTR60

（d）D7

（e）T62

（f）ZIL131

（g）BMP2

（h）ZSU_23_4

（i） T72

（j）BTR70

图4‑8　十类目标光学图像与SAR图像示例

为了全面评价识别网络的准确性以及泛化性，这里分别在标准操作条件（Standard Operating Conditions，SOC）下和扩展操作条件（Extended Operating Conditions，EOC）下对网络进行测试，分别设计两类数据库：

（1）SOC数据集

标注操作条件指的是训练集和测试集中目标图像差异较小，这里的差异指训练集和测试集中目标成像的俯仰角和方位角不一样，目标的外形配置和型号相同。因而在SOC数据集中采用十类目标在17°俯仰角的图像为训练集，在15°俯仰角的图像为测试集，具体目标型号和图像数量详见表4-1。SOC数据集主要用来验证识别网络的准确性。

表4‑1　SOC数据集

目标类别

2S1

BMP2

BRDM2

BTR60

BTR70

D7

T62

T72

ZIL131

ZSU234

目标型号

B01

SN9563

E-71

Kloyt7532

C71

92v13015

A51

SN132

E12

D08

训练集17°

299

233

298

256

233

299

299

232

299

299

测试集15°

274

196

274

195

196

274

273

196

274

274

（2）EOC数据集

扩展操作条件指的是训练集和测试集中目标图像差异相比标准操作条件要大很多，主要体现在俯仰角发生的变化大、外形配置有变化、训练集和测试集中同一目标的型号不同。这里主要设置了两个EOC数据集，第一个EOC数据集采用2S1、BRDM2、T72和ZSU234四类目标在30°俯仰角的图像作为测试集，其中训练集数据为这四类目标在SOC中的数据，该数据集简称为ECO1，其中测试集具体设置如表4-2所示；第二个EOC数据集为同一目标不同变体型号进行识别，其中训练集为BMP2、BRDM2、BTR70和T72在15°和17°俯仰角的数据，测试集为BMP2和T72不同变体型号的数据，该数据集简称为ECO2，其中BMP2和T72同一目标不同型号的具体情况如表4-3所示。ECO数据集主要用来验证识别网络的泛化性。

表4‑2　EOC1数据集

目标类别

目标型号

俯仰角

样本数量

2S1

Bo1

30°

288

BRDM2

E-71

30°

287

T72

A64

30°

288

ZSU234

D08

30°

288

表4‑3　EOC2数据集

目标类型

BMP2

T72

目标型号

9566

C21

S7

SN812

A04

A05

A07

A10

A32

A62

A63

A64

样本数量

428

429

419

426

573

573

573

567

572

573

573

573

俯仰角

15°，17°

三、检测识别结果

注：毕业论文主要对基于卷积神经网络的SAR图像目标检测与识别进行了研究，当时最头疼的就是数据库的构建，国内公开的SAR图像数据少之又少，为了有效训练网络，花费了很多精力构建数据库，其中包括原始数据的转换，大场景数据的构建，以及数据的整理。目标分类数据https://download.csdn.net/download/zyzyzyzyzyzyzyzyzy/10956188

   

MSTAR数据库结合深度学习（SAR图像目标检测与识别）相关推荐

  1. HALCON 20.11：深度学习笔记(11)---目标检测

    HALCON 20.11:深度学习笔记(11)---目标检测 HALCON 20.11.0.0中,实现了深度学习方法. 本章讲解了如何使用基于深度学习的对象检测. 通过对象检测,我们希望在图像中找到不 ...

  2. 深度学习论文阅读目标检测篇（一）：R-CNN《Rich feature hierarchies for accurate object detection and semantic...》

    深度学习论文阅读目标检测篇(一):R-CNN<Rich feature hierarchies for accurate object detection and semantic segmen ...

  3. 深度学习论文阅读目标检测篇（五）中文版：YOLOv2《 YOLO9000: Better, Faster, Stronger》

    深度学习论文阅读目标检测篇(五)中文版:YOLOv2< YOLO9000: Better, Faster, Stronger> 摘要 1.引言 2. 更好 3. 更快 4. 更强 5. 结 ...

  4. 深度学习论文阅读目标检测篇（五）中英对照版：YOLOv2《 YOLO9000: Better, Faster, Stronger》

    深度学习论文阅读目标检测篇(五)中文版:YOLOv2< YOLO9000: Better, Faster, Stronger> Abstract 摘要 1. Introduction 1. ...

  5. 基于深度学习的视觉目标检测技术综述

    基于深度学习的视觉目标检测技术综述--阅读 曹家乐,李亚利,孙汉卿,谢今,黄凯奇,庞彦伟(天津大学, 天津 300072;清华大学, 北京 100084;重庆大学, 重庆 400044;中国科学院自动 ...

  6. 深度学习时代的目标检测算法综述

    目标检测VS其他计算机视觉问题 分类问题 这或许是计算机视觉领域内最著名的问题.它主要指将一张图像归为某种类别.学术界最流行的一类数据集是ImageNet,由数以百万计已分好类的图像组成,(部分)用于 ...

  7. 深度学习论文阅读目标检测篇（四）中英文对照版：YOLOv1《 You Only Look Once: Unified, Real-Time Object Detection》

    深度学习论文阅读目标检测篇(四)中英文对照版:YOLOv1< You Only Look Once: Unified, Real-Time Object Detection> Abstra ...

  8. 基于深度学习的显著性目标检测方法综述

    源自:电子学报       作者:罗会兰  袁璞  童康 摘 要 显著性目标检测旨在对图像中最显著的对象进行检测和分割,是计算机视觉任务中重要的预处理步骤之一,且在信息检索.公共安全等领域均有广泛的应 ...

  9. 深度学习论文阅读目标检测篇（三）：Faster R-CNN《 Towards Real-Time Object Detection with Region Proposal Networks》

    深度学习论文阅读目标检测篇(三):Faster R-CNN< Towards Real-Time Object Detection with Region Proposal Networks&g ...

最新文章

  1. Const 重载解析
  2. 赠书 | 实现病人数据自动分析建模，Python能做的比你想象得更多
  3. 欧卡智舶发布全球首个城市内河无人驾驶数据集！
  4. android常见错误-Installation error: INSTALL_FAILED_INSUFFICIENT_STORAGE
  5. python中bind的用法_JS中的apply、call和bind的用法和区别
  6. ios 边录音边放_关于Android和iOS系统OneNote支持边录音边记笔记的需求和建议
  7. python的合法名称_Python未定义名称：turn。！
  8. Integer源码解析
  9. Stack Overflow 上人气最旺的 10 个 Java 问题
  10. 计算机教学assure模型教案,ASSURE模型在大学计算机基础教学中的应用探索
  11. 爬取http://ycb-benchmarks.s3-website-us-east-1.amazonaws.com/的链接并下载文件
  12. javascript学习笔记(十五) 间歇调用和超时调用
  13. Linux使用pyinstaller 编译py成可执行程序
  14. 2018毕业设计需求分析
  15. Python写个小游戏：看图猜成语（上）
  16. button加下划线
  17. 2020幻影围棋 第三天围棋规则模块（一）
  18. html组态插件_组态 web组态 组态插件 编辑器 工业组态 物联网组态 组态编辑器...
  19. 猿创征文｜我的后端成长之路(985科班两年，我发现了大学正确打开方式)
  20. c语言求100以内被7整除的最大自然数,编程,求100以内被7整除的最大自然数

热门文章

  1. JQuery拖拽通过八个点改变div大小
  2. （电脑软件启动无法验证）win10专业版如何解决无法验证发布者
  3. el-cascader
  4. HTPP常用请求头、HTTP响应头、HTTP content-type
  5. 数论读书笔记——线性丢番图方程——解不定方程
  6. 学计算机课业压力,关于学习负担、学业负担及课业负担的一段解释
  7. maya! board_3D角色模型很难做？Maya、Zbrush人头建模终极秘笈
  8. 【数据挖掘】关联规则之Galois Closure Based Approach（基于Galois闭包的方法）
  9. 兆芯国产电脑如何安装Windows+麒麟kylin双系统
  10. 正易判讀 6-1 韓長庚 著