Resumen

Aunque el reconocimiento automático de objetivos (ATR) del radar de apertura sintética (SAR) a través de las redes neuronales convolucionales (CNN) ha hecho grandes progresos hacia el aprendizaje profundo, algunas cuestiones clave siguen sin resolverse debido a la falta de muestras suficientes y de un modelo robusto. En este trabajo, proponemos una eficiente CNN Max-Slice transferida (MS-CNN) con L2-Regularización para SAR ATR, que podría enriquecer las características y reconocer los objetivos con un rendimiento superior. En primer lugar, se presenta el método de amplificación de datos para reducir el tiempo de cálculo y enriquecer las características brutas de los objetivos SAR. En segundo lugar, se entrena el marco MS-CNN propuesto con L2-Regularización para extraer características robustas, en las que se incorpora la L2-Regularización para evitar el fenómeno de sobreajuste y optimizar aún más nuestro modelo propuesto. En tercer lugar, se introduce el aprendizaje de transferencia para mejorar la representación y la discriminación de las características, lo que podría aumentar el rendimiento y la solidez del modelo propuesto en muestras pequeñas. Por último, se evalúan varias funciones de activación y estrategias de abandono para mejorar aún más el rendimiento del reconocimiento. Los amplios experimentos realizados demuestran que nuestro método propuesto no sólo puede superar a otros métodos de vanguardia en el conjunto de datos público y ampliado de MSTAR, sino que también obtiene un buen rendimiento en los conjuntos de datos pequeños aleatorios.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:modelo propuesto, gran avance, red neuronal convolucional, pequeños conjuntos de datos aleatorios, características del sar, radar de apertura sintética, reconocimiento automático de objetivos, métodos de amplificación de datos, diversas funciones de activación, regularización l2
• Keywords:proposed model, made huge progress, convolutional neural network, random small datasets, features of sar, synthetic aperture radar, automatic target recognition, data amplification methods, various activation function, l2-regularization