基于特征复用的膨胀-残差网络的SAR图像超分辨重建

• 作者: 刘畅 李萌
• 来源期刊: 雷达学报
• 学科: 工学
• 关键词: 合成孔径雷达 超分辨重建 膨胀卷积 特征复用 感知损失
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 论文
• 页码范围: 363-372
• 页数: 10页
• 分类号: TN958
• 字数: 6968字
• 语种: 中文
• DOI: 10.12000/JR19110

摘要

对于合成孔径雷达(SAR)图像,传统的超分辨重建方法对视觉特征的人为构造十分依赖,基于普通卷积神经网络(CNN)的超分辨重建方法对微小目标的重建能力较弱,对边缘轮廓的保真度较差.针对以上问题,该文提出一种基于特征复用的膨胀-残差卷积超分辨网络模型,同时引入感知损失,实现了精确的SAR图像4倍语义级超分辨.该方法为增加网络感受野,采用膨胀-残差卷积(DR-CNN)结构用于限制模型中特征图分辨率的严重损失,提高网络对微小细节的敏感度;为实现不同层级的特征最大化利用,将不同层级的特征图进行级联,形成一种特征复用结构(FRDR-CNN),以此大幅度提升特征提取模块的效率,进一步提升超分辨精度;针对SAR图像特殊的相干斑噪声干扰,引入感知损失,使得该方法在恢复图像边缘和精细的纹理信息方面具有优越表现.文中实验表明,与传统算法以及目前较为流行的几种全卷积神经网络超分辨重建算法相比,该文采用的FRDR-CNN模型在视觉上对小物体的超分辨重建能力更强,对边界等轮廓信息的重建更准确,客观指标中的峰值信噪比(PSNR)和结构相似性指数(SSIM)分别为33.5023 dB和0.5127,边缘保持系数(EPD-ROA)在水平和垂直方向上分别为0.4243和0.4373.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李萌	中国科学院空天信息创新研究院	28	237	7.0	15.0
2	刘畅	中国科学院电子学研究所	118	1090	17.0	29.0