文档名：基于特征注意力融合元残差网络的小样本SAR目标识别
摘要：深度学习方法在合成孔径雷达(SyntheticApertureRadar,SAR)目标识别方面表现良好,但是这些深度模型往往需要大量训练数据来对模型参数进行优化,否则经常会遇到严重的过拟合问题,导致目标识别准确率低,模型泛化能力差.针对上述问题,基于元学习框架,提出了针对小样本条件下SAR目标识别的特征注意力融合元残差网络.在该方法中,基于残差网络设计了全新的学习器,通过利用残差结构,有效传递SAR图像的对比度信息,提高目标识别准确率,而且多尺度特征注意力融合模块通过注意力机制,融合不同残差层特征,为目标识别提供更丰富的特征信息.改进的元学习器不仅能够为学习器学习到易于优化的初始化参数,而且能够为学习器的每一个参数学习一个不同但是合适的学习率.与其他三种小样本目标识别方法在MSTAR数据集上进行对比实验,结果表明本文方法提高了小样本条件下SAR目标识别方法的识别准确率和识别模型的泛化性能.对所提方法进行了鲁棒性验证实验,网络结构消融实验,并展示了元学习器为学习器参数学习到的不同但是合适的学习率.
作者：刘旗 刘永祥 张新禹Author：LIUQi LIUYong-xiang ZHANGXin-yu
作者单位：国防科技大学电子科学学院,湖南长沙410073
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2023, 51(9)
分类号：TN95TN911.7
关键词：雷达目标识别 合成孔径雷达 元学习 残差网络 小样本学习
Keywords：radartargetrecognition syntheticapertureradar meta-learning residualnetwork few-shotlearning
机标分类号：TN958TP391.41TM74
在线出版日期：2023年12月26日
基金项目：基于特征注意力融合元残差网络的小样本SAR目标识别[
期刊论文] 电子学报--2023, 51(9)刘旗 刘永祥 张新禹深度学习方法在合成孔径雷达(SyntheticApertureRadar,SAR)目标识别方面表现良好,但是这些深度模型往往需要大量训练数据来对模型参数进行优化,否则经常会遇到严重的过拟合问题,导致目标识别准确率低,模型泛化能力差....参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于特征注意力融合元残差网络的小样本SAR目标识别 Few-Shot SAR Target Recognition Method Based on Feature Fusion Attention and Meta-ResNet
基于特征注意力融合元残差网络的小样本SAR目标识别.pdf
- 文件大小:
- 5.35 MB
- 下载次数:
- 60
-
高速下载
|
|
