详情

原文传递 SAR图像生成模型研究

论文题名：	SAR图像生成模型研究
关键词：	图像生成模型;合成孔径雷达;生成对抗网络
摘要：	合成孔径雷达（SyntheticApertureRadar，SAR）通过使用微波成像技术来获得图像，在很多领域内均有着广泛的应用，例如航天、航空等领域。SAR图像分析与解译是当前SAR研究领域的一个热点方向。但是，在SAR图像的分析与解译任务中，经常面临SAR图像中目标样本数量不足的问题，所以研究SAR目标图像的生成技术是帮助完成SAR图像的分析与解译中的一个重要方向，其目的是增大SAR目标图像的数量，进而帮助更好的完成SAR图像解译任务。　　本文主要围绕SAR图像的生成模型展开研究，主要包括基于深度卷积生成对抗网络的SAR图像生成模型、基于条件生成对抗网络（ConditionalGenerativeAdversarialNetworks,CGAN）的SAR图像生成模型、基于CGAN和频谱归一化生成对抗网络（SpectralNormalizationforGenerationAdversarialNetworks,SNGAN）的角度信息引导的SAR图像生成模型和少样本下属性引导的SAR图像生成模型。本论文的主要工作概括如下：　　1.首先研究了深度学习的相关理论知识，其中包括神经元与前馈神经网络、卷积神经网络和反向传播算法等。在此基础上，研究了生成对抗网络的基本原理及训练过程，以及深度卷积生成对抗网络的基本原理及网络模型。　　2.在上述模型基础上，本文研究了基于CGAN和SNGAN的角度信息引导的SAR图像生成模型。首先研究了基于生成对抗网络的改进模型条件生成对抗网络，其中包括CGAN的原理及其网络模型，并使用SAR图像进行仿真实验。然后研究了基于Wassertein距离的生成对抗网络（WasserteinGenerationAdversarialNetworks，WGAN）和SNGAN的基本原理，最后研究了基于CGAN和SNGAN的角度信息引导的SAR图像生成模型，并使用SAR图像进行仿真实验，并通过分类实验验证生成图像的真实性。　　3.上述模型在训练样本充足时可以得到质量较好的生成图像，但是当训练样本数量有限时，其生成图像的效果会变差，因此本文进一步借鉴少样本学习方法，研究了少样本下的SAR图像生成模型。首先，研究了少样本情况下的SAR目标识别方法，主要研究了元学习的概念、少样本情况下的实验设置和两种基于元学习思想的SAR图像目标识别方法，分别是基于孪生网络的SAR图像目标识别方法和基于关系网络的SAR图像目标识别方法。针对两种SAR图像目标识别方法分别使用SAR图像进行了仿真实验，验证了两种SAR图像目标识别方法在训练样本有限情况下的有效性。然后利用少样本下的SAR目标识别方法中的元学习思想对SAR图像生成模型进行改进。主要研究了少样本下角度与类别信息引导的SAR图像生成模型的网络结构及其原理，并研究了两种不同的网络训练方法，分别是传统的训练方法和基于元学习的思想改进的训练方法。针对两种不同的训练方法使用SAR图像进行仿真实验，并通过分类实验和相似度实验验证生成图像的质量。最后通过目标识别实验验证了所研究的模型得到的生成图像能够帮助提升有限样本下的SAR目标识别性能。
作者：	黄媛媛
专业：	信息与通信工程;信号与信息处理
导师：	王英华
授予学位：	硕士
授予学位单位：	西安电子科技大学
学位年度：	2021