端到端全复数域SAR目标分类神经网络

合成孔径雷达(Synthetic Aperture Radar,SAR)图像探测经常遇到误差敏感和计算量大的问题,给SAR图像目标识别带来困难,为此研究人员针对SAR数据提出很多新颖高效的深度学习方法,但面向SAR目标识别的深度学习网络大多使用与光学实值处理相同的方法,直接将实值深度神经网络应用于SAR图像.实值的神经网络都不同程度丢失了相位信息,不能充分利用SAR数据复数特性.相位信息是SAR图像独有的数据特征,在SAR干涉测量、信息检索、目标识别等应用中起到至关重要作用.本文为了使网络更适合SAR复数数据特征提取,打破传统神经网络架构,将整体网络端到端复数化,提出一种新型的端到端全复数域多层级神经网络(Complex-valued mUltI-Stage convolutIonal Neural nEtworks,CUISINE)架构,从SAR复数图像数据的输入到卷积计算,再到分类标签,实现全网络复数域下的计算.通过在MSTAR(Moving and Stationary Target Acquisition and Recognition)公开数据集上实验对比表明,本文的方法在SAR数据目标分类上有很好表现,在相位误差为0 rad的测试集上正确率达到99.42%,在相位误差为50 rad的测试集上正确率达到88.05%.