文献类型：期刊文章

作　　者：应自炉[1] 宣晨[1] 翟懿奎[1] 王发官[1]

Ying Zilu;Xuan Chen;Zhai Yikui;Wang Faguan(School of Intelligent Manufacturing,Wuyi University,Jiangmen,Guangdong 529020,China)

机构地区：[1]五邑大学智能制造学部,广东江门529020

出　　处：《信号处理》

基　　金：国家自然科学基金项目(61771347);广东省教育厅创新强校项目(2017KTSCX181);广东省数字信号处理技术重点实验室开放课题(2018GDDSIPL-02);广东省普通高校基础研究与应用基础研究重点项目(2018KZDXM073);广东省基础与应用基础研究基金(2019A1515010716)。

年　　份：2020

卷　　号：36

期　　号：11

起止页码：1846-1858

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：合成孔径雷达(Synthetic Aperture Radar,SAR)图像标签难以大量获取,存在着大量小样本SAR数据集。SAR图像充满着散斑噪声,直接将卷积神经网络(Convolutional Neural Network,CNN)应用在小样本SAR数据集上难以提取有效特征。针对以上问题,本文提出了一种面向小样本SAR图像识别的自注意力多尺度特征融合网络。首先,将自注意力机制与幽灵模块相结合构建自注意力幽灵模块,并利用该模块替代经典的卷积操作提取SAR图像特征。其次,在网络中添加通道混洗单元以构建多尺度信息融合支路。最后,引入知识蒸馏对设计的网络进行压缩,进一步控制网络参数量。实验结果表明,本文方法在不同工作条件下采集的MSTAR数据集上具有出色的识别性能,在构建的小样本SAR数据集上也表现出良好的鲁棒性。

关 键 词：小样本 自注意力机制  多尺度特征 合成孔径雷达

分 类 号：TP391]