基于迁移学习的SAR目标识别系统设计与跨数据集泛化优化 .docxVIP

PAGE2

基于迁移学习的SAR目标识别系统设计与跨数据集泛化优化

摘要

合成孔径雷达（SAR）作为一种高分辨率成像雷达，具备全天候、全天时的工作能力，在军事侦察与民用监测领域发挥着至关重要的作用。然而，SAR图像特有的相干斑噪声以及对目标姿态、俯仰角的敏感性，导致传统识别算法在跨数据集场景下的泛化能力显著下降。针对这一核心痛点，本课题设计并实现了一套基于迁移学习的SAR目标识别系统，旨在利用深度学习模型在源域数据上习得的特征表征能力，提升目标识别模型在目标域数据上的准确率与鲁棒性。

本文首先分析了SAR目标识别面临的“小样本”与“数据分布差异”问题，确立了以深度卷积神经网络为基础架构的设计方案。在总体设计阶段，构建了包含数据预处理、特征提取、分类识别三大核心模块的系统架构，并引入迁移学习机制以解决跨数据集泛化难题。详细设计阶段，重点阐述了基于ResNet-50的改进网络结构，设计了特征迁移与微调策略，实现了从光学图像预训练权重到SAR图像特征提取的有效迁移。系统实现阶段，基于Python语言与PyTorch深度学习框架完成了系统开发，并针对SAR图像特性优化了数据增强流程。

测试结果表明，本系统在MSTAR标准数据集上的识别准确率达到98.5%以上，在跨数据集泛化实验中，相较于从头训练的基准模型，识别精度提升了约12.3个百分点。本课题的研究成果不仅验证了迁移学习在SAR图