在预训练的CNN模型中识别SAR目标的过程分析方法
Tong Zheng1, Jin Li1, Hao Tian1
1School of Artificial Intelligence, Beijing Technology and Business University, Beijing 100048, China.
Sensors (Basel, Switzerland)
|July 29, 2023
概括
本研究分析了预训练的卷积神经网络 (CNN) 模型,用于合成孔径雷达 (SAR) 目标识别. 该研究澄清了这些模型如何提取特征并做出决策,验证了它们对SAR图像的适应性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 遥感 遥感 遥感 遥感
背景情况:
- 卷积神经网络 (CNN) 在合成孔径雷达 (SAR) 目标识别中表现有前途,这是由于自动特征提取和翻译不变性.
- 然而,CNN的"黑盒子"性质阻碍了人们理解他们的决策过程.
- 分析这些模型对于提高它们在SAR应用中的可靠性和可解释性至关重要.
研究的目的:
- 分析预先训练有素的CNN模型在SAR目标识别方面的内部运作.
- 阐明卷积,激活函数和完全连接层在特征提取和决策中的作用.
- 为了澄清CNN模型在目标识别过程中关注的特定SAR图像特征.
主要方法:
- 使用了四个经典的CNN架构 (AlexNet,VGG16,GoogLeNet,ResNet-50),在MSTAR数据集上进行训练,用于十类SAR目标识别.
- 应用一个过程分析方法来检查预训练CNN模型.
- 研究了个别CNN组件 (卷积,激活,完全连接) 对识别任务的贡献.
主要成果:
- 分析澄清了预训练CNN模型所关注的SAR图像目标特征.
- 卷积层作为图像过器,激活功能引入非线性,完全连接的层进一步完善功能.
- 这项研究表明了这些经典CNN模型对SAR图像的适应性.
结论:
- 在SAR目标识别中分析预训练CNN模型的新型范式.
- 这些发现增强了对深度学习模型在SAR图像分析中的表现的理解.
- 这项工作有助于构建更易解释和可靠的SAR目标识别系统.
