改进残差网络结合迁移学习的SAR目标识别

合成孔径雷达（合成孔径雷达，SAR）图像的目标识别对地面和海上目标的获取具有重要意义。实现SAR图像目标的自动判读，提高图像目标识别的精度，已成为SAR图像研究的热点问题。为了准确获取SAR图像中的目标信息，解决deep-神经网络训练小样本SAR图像过程中细节特征严重丢失和网络过度拟合的问题，提出了一种基于RCF（resnet101-CBAM-FPN）神经网络模型的SAR图像特征提取方法。采用Resnet101作为骨干网络模型进行特征提取，并在骨干网络模型中加入卷积注意模块，指导神经网络提取SAR图像的关键特征信息。然后，结合金字塔网络的特点，实现神经网络高层次特色与低层次特色的融合，丰富特色信息。最后，结合转移学习的思想，通过数据相对充足的模拟SAR图像对RCF网络模型进行预训练。通过预训练获得的模型参数被迁移到目标网络中作为目标网络的初始化参数，目标网络用于SAR图像的迭代训练。实验结果表明，该方法可以有效地提高小样本SAR图像的识别精度，在MSTAR数据集上的识别率为99.60%。