Resumen

Entre las muchas arquitecturas de redes neuronales convolucionales (CNN) mejoradas en la clasificación de imágenes ópticas, sólo unas pocas se aplicaron en el reconocimiento automático de objetivos (ATR) del radar de apertura sintética (SAR). Una de las razones principales es que la transferencia directa de estas arquitecturas avanzadas para las imágenes ópticas a las imágenes SAR produce fácilmente un exceso de ajuste debido a su conjunto de datos limitado y menos características en relación con las imágenes ópticas. Así pues, basándonos en las características de la imagen SAR, propusimos una nueva arquitectura de red neuronal convolucional profunda denominada paraguas. Su estructura consta de dos bloques alternativos de capas CNN. Un bloque es una fusión de seis rutas de 3 capas, que se utiliza para extraer características de diversos niveles a partir de diferentes capas de convolución. El otro bloque se compone de capas de convolución y capas de agrupación que se utilizan principalmente para reducir las dimensiones y extraer información de características jerárquicas. La combinación de los dos bloques puede extraer características ricas de diferentes escalas espaciales y aliviar simultáneamente el sobreajuste. El rendimiento del modelo paraguas se validó mediante el conjunto de datos de referencia Moving and Stationary Target Acquisition and Recognition (MSTAR). Esta arquitectura pudo alcanzar una precisión superior al 99 en la clasificación de objetivos de 10 clases y una precisión superior al 96 para la clasificación de 8 variantes del carro de combate T72, incluso en el caso de diversas posiciones de los objetivos. La precisión de nuestro paraguas es superior a la de las redes actuales aplicadas en la clasificación de MSTAR. El resultado muestra que la arquitectura paraguas posee una capacidad de generalización muy robusta y será potencial para SAR-ART.

• Materias:Biotecnología Sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology sensors Sensor system Sensor technology
• Palabras claves:precisión, clasificación, imágenes ópticas, red neuronal convolucional mejorada, novedosa arquitectura de red neuronal convolucional profunda, adquisición de objetivos estacionarios, reconocimiento automático de objetivos, diferentes capas de convolución, diferente escala espacial, características de diversos niveles
• Keywords:accuracy, classification, optical images, many improved convolutional neural network, novel deep convolutional neural network architecture, stationary target acquisition, automatic target recognition, different convolution layers, different spatial scale, diverse level features