一个联合的CNN-LSTM网络用于SAR图像上的船舶分类

科学领域:

• 遥感和地球观测 遥感和地球观测
• 机器学习和人工智能的人工智能
• 信号处理和成像技术

背景情况:

• 卫星合成光圈雷达 (SAR) 图像为遥感和海上监视提供全球,全天候数据,这对遥感和海上监视至关重要.
• 机器学习,特别是卷积神经网络 (CNN),由于有限的训练数据和SAR图像特征限制,在SAR目标分类方面面临挑战.
• 由于不同的成像机制,现有的CNN与SAR数据扎,这使得从自然图像数据集转移学习变得复杂.

研究的目的:

• 开发一个专门的浅CNN架构,优化合成光圈雷达 (SAR) 数据集.
• 调查CNN组件变化 (过器数量,大小) 对SAR图像分类性能的影响.
• 通过将CNN与长短期记忆 (LSTM) 网络相结合来增强SAR图像分类.

主要方法:

• 提出了一个针对SAR图像特征量身定制的新浅CNN架构.
• 系统地分析和优化CNN层参数 (过器,大小) 以改善区分和减少复杂性.
• 集成了优化的CNN与LSTM网络,用于SAR分类任务中的顺序数据处理.
• 在FUSAR-Ship,OpenSARShip和MSTAR数据集上对六种最先进的CNN模型 (VGG16,ResNet50,Xception,DenseNet121,EfficientNetB0,MobileNetV2) 进行了比较实验.

主要成果:

• 拟议的浅CNN架构在SAR数据集上实现了具有竞争力的准确性,在效率方面超过了标准模型.
• 优化CNN组件导致减少冗余,改善歧视能力,减少网络大小和学习时间.
• 与独立的CNN相比,CNN-LSTM组合在SAR图像分类方面表现优异.
• 对具有挑战性的数据集 (FUSAR-Ship,OpenSARShip) 进行的评估,数据有限且不平衡,强调了该模型的稳定性.

结论:

• 定制的CNN架构有效地克服了SAR目标分类的特定挑战.
• 拟议的浅CNN与LSTM相结合,为SAR图像分析提供了计算效率高,准确的解决方案.
• 这项研究表明了改善使用SAR图像的自动目标识别的有希望的方向.