基于深度森林的多级特征融合SAR目标识别

• 作者: 李璐 杜兰 何浩男 李晨 邓盛
• 来源期刊: 电子与信息学报
• 关键词: 合成孔径雷达 目标识别 特征融合 深度模型
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 合成孔径雷达|Synthetic Aperture Rodar
• 页码范围: 606-614
• 页数: 9页
• 分类号: TN957.51
• 语种: 中文
• DOI: 10.11999/JEIT200685

摘要

大多数传统的合成孔径雷达(SAR)目标识别方法仅仅使用了单一的幅度特征,但是由于斑点噪声的存在,仅仅使用幅度特征会限制识别的性能.为了进一步提高SAR目标识别的性能,该文提出了一个基于深度森林的多级特征融合SAR目标识别方法.首先,在特征提取阶段,提取了多级幅度特征和多级密集尺度不变特征变换(Dense-SIFT)特征.幅度特征反映了目标反射强度,Dense-SIFT特征描述了目标的结构特征.而多级特征可以从局部到全局表征目标.随后,为了更完整、充分地反映SAR目标信息,借鉴深度森林的思想对多级幅度特征和多级Dense-SIFT特征进行联合利用.一方面通过堆叠的方式不断将多级幅度特征和多级Dense-SIFT特征进行融合,另一方面通过逐层的特征变换挖掘深层信息.最后利用得到的深层融合特征对目标进行识别任务.该文在MSTAR数据集上进行对比实验,实验结果表明所提算法在性能方面取得了提升,且其性能对超参数设置具有一定的鲁棒性.