王 强, 曹 磊, 史润佳, 杨 非, 蒋忠进
(东南大学毫米波国家重点实验室, 江苏南京 210096)
随着人工智能的快速发展,深度学习方法在光学图像处理领域受到了越来越多的应用[1],尤其是卷积神经网络(Conventional Neural Network,CNN)[2],在图像分类方面效果十分明显。与传统的人工提取图片特征方式不同,CNN通过共享卷积核进行自适应的图片特征提取,该过程不需要复杂计算和人工干预,解决了特征选取困难的问题[3]。2012年,CNN在ImageNet大赛上夺得了冠军,战胜传统的分类方法而名声大噪。自此CNN再次进入研究者的视野,并且获得了蓬勃发展。各种新的CNN网络如雨后春笋般涌出,网络变得越来越深、越来越宽,在图像识别方面效果也越来越好[4-6]。
CNN不仅大量用于光学图像处理,在合成孔径雷达(Synthetic Aperture Radar, SAR)图像中也能有效地进行目标识别[7-14]。文献[9]中,作者对多个实验结果进行对比分析,结果表明卷积神经网络与其他分类器相比,对目标特征的提取更具鲁棒性,在目标图像发生较小改变时特征能维持稳定,识别效果更好。文献[8]使用较深的卷积神经网络,直接从SAR图像训练集中学习到目标具有判别性的特征,能够高效准确地进行目标检测与识别。
文献[14]指出,在残差网络的训练过程中,网络梯度变化主要是由残差网络的分支主导的。该文献作者在测试中发现,虽然将正常链接移除掉,仅仅留下分支,网络的表现性也很好,准确率很高,这表明网络分支的贡献很大。在该认识的启发下,本文在残差网络的基础上设计出了多个分支结构的卷积神经网络,并命名为密集连接型残差网络(Densely Connected Residual Network, DCResNet),用于SAR图像中的车辆目标识别。……