Resumen

Para el problema del reconocimiento de imágenes de radar de apertura sintética (SAR), se propone un método mediante la combinación de características profundas multinivel. La red residual (ResNet) se utiliza para aprender las características profundas multinivel de las imágenes SAR. Basándose en la medida de similitud, las características profundas multinivel se agrupan y se obtienen varios conjuntos de características. A continuación, cada conjunto de características se caracteriza y clasifica mediante la representación dispersa conjunta (JSR), y se obtiene el resultado de salida correspondiente. Finalmente, los resultados de los diferentes conjuntos de características se combinan utilizando la fusión ponderada para obtener los resultados de reconocimiento del objetivo. El método propuesto en este trabajo puede combinar eficazmente las ventajas de ResNet y JSR en la extracción y clasificación de características y mejorar el rendimiento general del reconocimiento. Los experimentos y el análisis se llevan a cabo en el conjunto de datos MSTAR con muestras ricas. Los resultados muestran que el método propuesto puede lograr un rendimiento superior para 10 tipos de muestras de objetivos bajo las condiciones de funcionamiento estándar (SOC), interferencia de ruido y condiciones de oclusión, lo que verifica su eficacia.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:características profundas multinivel, métodos propuestos, reconocimiento de objetivos de imágenes, tipo de objetivo, conjunto de características diferentes, condiciones de funcionamiento estándar, representación dispersa conjunta, radar de apertura sintética, características del sar, ventaja de la red de recursos
• Keywords:multilevel deep features, proposed methods, image target recognition, type of target, different features set, standard operating conditions, joint sparse representation, synthetic aperture radar, features of sar, advantage of resnet