基于GAN的ISAR图像语义分割方法 *

杜 兰, 吕国欣, 石 钰

(西安电子科技大学雷达信号处理国家重点实验室， 陕西西安 710071)

0 引言

逆合成孔径雷达(Inverse Synthetic Aperture Radar，ISAR)成像技术是当前对海、陆、空观测的重要方式，它作为一种能够远距离获取非合作目标图像的技术，在军事领域起到了重要作用。随着ISAR成像技术的不断成熟，对ISAR图像进行快速有效的自动解译,获得目标丰富的结构、姿态、尺寸等信息，受到了越来越广泛的关注。ISAR图像语义分割是ISAR图像处理和解译的重要技术支撑，语义分割指根据某种准则将图像划分为互不重叠的同质区域，并且给出不同区域中像素的语义类别，它能够提取图像中感兴趣区域，为后续图像识别与分类、场景解析、目标检测等任务作预处理。传统的语义分割方法利用像素的灰度、色彩、纹理等低级语义特征对像素进行分类，图像分割精度有限[1]。随着深度卷积神经网络的快速发展，基于深度学习的语义分割方法成为语义分割的主流方法[2-3]。Long 等人[4]在2014年提出的全卷积网络(Fully Convolutional Network，FCN)是首个端到端的深度语义分割模型，目前大多语义分割网络都是基于 FCN 的编码-解码结构实现的。 FCN 通过对编码过程中提取的特征图进行双线性插值上采样将其恢复至输入图像尺寸，实现像素级分类。文献[5]基于编码-解码结构，解码器进行上采样时利用编码部分记录的池化索引来恢复图像的细节信息，提升分割精度。文献[6]基于编码-解码结构，引入深度可分离空洞卷积在减少计算量的同时增大感受野，采用金字塔池化模块获取图像多尺度上下文信息，提升图像分割精度。……