基于卷积神经网络的高分辨率SAR图像飞机目标检测方法

王思雨; 高鑫; 孙皓; 郑歆慰; 孙显

doi:10.12000/JR17009

基于卷积神经网络的高分辨率SAR图像飞机目标检测方法

DOI: 10.12000/JR17009

王思雨^①,②,,
高鑫^①, ,,
孙皓^①,,
郑歆慰^①,,
孙显^①,

①.
中国科学院电子学研究所北京 100190
②.
中国科学院大学北京 100049

基金项目: 国家自然科学基金青年基金(41501485)

详细信息

作者简介:
王思雨(1992–)，女，山西人，中国科学院电子学研究所硕士研究生，研究方向为SAR图像飞机目标检测识别。E-mail: siyuwang92@163.com

高鑫(1966–)，男，辽宁人，北京师范大学理学博士，现任中国科学院电子学研究所研究员，研究方向为SAR场景分类、目标检测识别、解译标注。E-mail: gaxi@mail.ie.ac.cn

孙皓：孙皓(1984–)，男，山东人，中国科学院大学工学博士，现任中国科学院电子学研究所副研究员，研究方向为遥感图像理解。E-mail: sun.010@163.com

郑歆慰(1987–)，男，福建人，中国科学院大学工学博士，现任中国科学院电子学研究所助理研究员，研究方向为大规模遥感图像解译。E-mail: zxw_1020@163.com

孙显：孙显(1981–)，男，浙江人，中国科学院大学工学博士，现任中国科学院电子学研究所副研究员，研究方向为计算机视觉与遥感图像理解、地理空间大数据解译。E-mail: sunxian@mail.ie.ac.cn

通讯作者:
高鑫 gaxi@mail.ie.ac.cn

中图分类号: TP753
计量
- 文章访问数: 6615
- HTML全文浏览量: 1512
- PDF下载量: 1923
- 被引次数: 99
出版历程
- 收稿日期: 2017-01-20
- 修回日期: 2017-03-05
- 网络出版日期: 2017-04-28

An Aircraft Detection Method Based on Convolutional Neural Networks in High-Resolution SAR Images

Wang Siyu^{①,②
,},
Gao Xin^{①
, ,},
Sun Hao^{①
,},
Zheng Xinwei^{①
,},
Sun Xian^{①
,}

①.
Institute of Electronics, Chinese Academy of Sciences, Beijing 100190, China
②.
University of Chinese Academy of Science, Beijing 100049, China

Funds: The National Natural Science Foundation of China (41501485)

摘要

摘要: 传统的合成孔径雷达(Synthetic Aperture Radar, SAR)图像飞机检测方法一般利用像素对比度信息进行图像分割，从而提取待定目标。然而这些方法只考虑了像素亮度信息而忽视了目标的结构特征，进而导致目标的不精确定位和大量虚警的产生。基于上述问题，该文构建了一个全新的SAR图像飞机目标检测算法框架。首先，针对大场景SAR图像应用需求，提出了改进的显著性预检测方法，从而实现SAR图像候选飞机目标多尺度快速粗定位；然后，设计并调优了含4个权重层的卷积神经网络(Convolutional Neural Network, CNN)，实现对候选目标的精确检测和鉴别；最后，因为SAR数据量有限、易导致过拟合，提出4种适用于SAR图像的数据增强方法，具体包括平移、斑点加噪、对比度增强和小角度旋转。实验证实该飞机检测算法在高分辨率TerraSAR-X数据集上效果显著，与传统的SAR飞机检测方法相比，该方法检测效率更高，泛化能力更强。
- 合成孔径雷达(SAR) /
- 飞机检测 /
- 卷积神经网络(CNN) /
- 数据增强 /
- 视觉显著性
Abstract: In the field of image processing using Synthetic Aperture Radar (SAR), aircraft detection is a challenging task. Conventional approaches always extract targets from the background of an image using image segmentation methods. Nevertheless, these methods mainly focus on pixel contrast and neglect the integrity of the target, which leads to locating the object inaccurately. In this study, we build a novel SAR aircraft detection framework. Compared to traditional methods, an improved saliency-based method is proposed to locate candidates coarsely and quickly in large scenes. This proposed method is verified to be more efficient compared with the sliding window method. Next, we design a convolutional neural network fitting in SAR images to accurately identify the candidates and obtain the final detection result. Moreover, to overcome the problem of limited available SAR data, we propose four data augmentation methods comprising translation, speckle noising, contrast enhancement, and small-angle rotation. Experimental results show that our framework achieves excellent performance on the high-resolution TerraSAR-X dataset.
- Synthetic Aperture Radar (SAR) /
- Aircraft detection /
- Convolutional Neural Networks (CNNs) /
- Data augmentation /
- Visual saliency

HTML全文

图 1 SAR飞机检测框架的整体流程图

Figure 1. Overall flowchart of our SAR aircraft detection framework

下载: 全尺寸图片幻灯片

图 2 显著性变换

Figure 2. Saliency transformation

下载: 全尺寸图片幻灯片

图 3 改进的显著性预检测方法流程图

Figure 3. Flowchart of improved saliency-based pre-detection method

下载: 全尺寸图片幻灯片

图 4 数据增强示例

Figure 4. Demonstration of data augmentation

下载: 全尺寸图片幻灯片

图 5 本文CNN的网络结构设计

Figure 5. Structure of our CNN

下载: 全尺寸图片幻灯片

图 6 训练集示例

Figure 6. Demonstration of training set

下载: 全尺寸图片幻灯片

图 7 Selective search方法、原始显著性预检测方法和改进后的预检测方法

Figure 7. Comparison among the Selective search method, the basic saliency-based method and improved saliency-based method

下载: 全尺寸图片幻灯片

图 8 不同方法的ROC曲线图

Figure 8. ROC curves of different methods

下载: 全尺寸图片幻灯片

图 9 本文框架的检测结果

Figure 9. Detection result of our framework

下载: 全尺寸图片幻灯片

表 1 CNN参数

Table 1. Parameters of our CNN

层结构	核结构	输出尺寸
输入层	–	120×120
C1	32@5×5	116×116
S1	2×2	58×58
C2	64@5×5	54×54
S2	2×2	27×27
C3	128@6×6	22×22
S3	2×2	11×11

下载: 导出CSV

表 2 不同预检测方法性能比较

Table 2. The performance of different pre-detection methods

方法	预检测正确率(%)	候选目标个数	预检测时间(s)
Selective search	100	569	47.50
原始显著性预检测	94.12	298	6.07
改进的显著性预检测	100	242	10.67

下载: 导出CSV

表 3 不同数据增强方法的检测正确率

Table 3. Accuracy rates of CNN with different augmentation methods

操作	检测正确率(%)
原始	86.33
平移	92.01
斑点加噪	93.74
对比度增强	93.64
小角度旋转	92.76
综合4种增强方法	96.36

下载: 导出CSV

表 4 不同网络层数的检测正确率比较

Table 4. Accuracy rates of CNN with different number of layers

网络结构	检测正确率(%)
C1: 32@5×5, S1, C2: 64@5×5, S2, C3: 128@6×6, S3, C4: 256@6×6, S4	95.99
C1: 32@5×5, S1, C2: 64@5×5, S2, C3: 128@6×6, S3 (本文)	96.36
C1: 32@5×5, S1, C2: 64@5×5, S2	93.70

下载: 导出CSV

表 5 不同卷积核个数的检测正确率比较

Table 5. Accuracy rates of CNN with different number of kernels

网络结构	检测正确率(%)
C1: 16@5×5, S1, C2: 32@5×5, S2, C3: 64@6×6, S3	93.93
C1: 32@5×5, S1, C2: 64@5×5, S2, C3: 128@6×6, S3 (本文)	96.36
C1: 64@5×5, S1, C2: 128@5×5, S2, C3: 256@6×6, S3	95.05

下载: 导出CSV

表 6 不同卷积核大小的检测正确率比较

Table 6. Accuracy rates of CNN with different size of kernels

网络结构	检测正确率(%)
C1: 32@3×3, S1, C2: 64@3×3, S2, C3: 128@3×3, S3	95.96
C1: 32@5×5, S1, C2: 64@5×5, S2, C3: 128@6×6, S3 (本文)	96.36
C1: 32@5×5, S1, C2: 64@5×5, S2, C3: 128@5×5, S3	96.16

下载: 导出CSV

表 7 不同方法在同一数据集上的平均检测率

Table 7. Average detection rates of different methods on the same dataset

方法	检测正确率(%)
CNN	96.36
SVM	92.64
HOG+SVM	93.79
AdaBoost	92.28

下载: 导出CSV

参考文献(24)

[1]	El-Darymli K, McGuire P, Power D, et al. Target detection in synthetic aperture radar imagery: A state-of-the-art survey[J].Journal of Applied Remote Sensing, 2013, 7(1): 071598. doi: 10.1117/1.JRS.7.071598
[2]	Steenson B O. Detection performance of a mean-level threshold[J].IEEE Transactions on Aerospace and Electronic Systems, 1968, 4(4): 529–534.
[3]	Gandhi P P and Kassam S A. Analysis of CFAR processors in homogeneous background[J].IEEE Transactions on Aerospace and Electronic Systems, 1988, 24(4): 427–445. doi: 10.1109/7.7185
[4]	Novak L M and Hesse S R. On the performance of order-statistics CFAR detectors[C]. IEEE 25th Asilomar Conference on Signals, Systems and Computers, Pacific Grove, California, USA, Nov. 1991: 835–840.
[5]	Smith M E and Varshney P K. VI-CFAR: A novel CFAR algorithm based on data variability[C]. IEEE National Radar Conference, Syracuse, NY, May 1997: 263–268.
[6]	Ai Jia-qiu, Qi Xiang-yang, Yu Wei-dong, et al. A new CFAR ship detection algorithm based on 2-D joint log-normal distribution in SAR images[J].IEEE Geoscience and Remote Sensing Letters, 2010, 7(4): 806–810. doi: 10.1109/LGRS.2010.2048697
[7]	di Bisceglie M and Galdi C. CFAR detection of extended objects in high-resolution SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(4): 833–843. doi: 10.1109/TGRS.2004.843190
[8]	Jung C H, Kwag Y K, and Song W Y. CFAR detection algorithm for ground target in heterogeneous clutter using high resolution SAR image[C]. 3rd International Asia-Pacific Conference on Synthetic Aperture Radar (APSAR), Seoul, South Korea, Sep. 2011: 1–4.
[9]	Olson C F and Huttenlocher D P. Automatic target recognition by matching oriented edge pixels[J].IEEE Transactions on Image Processing, 1997, 6(1): 103–113. doi: 10.1109/83.552100
[10]	Kaplan L M. Improved SAR target detection via extended fractal features[J].IEEE Transactions on Aerospace and Electronic Systems, 2001, 37(2): 436–451. doi: 10.1109/7.937460
[11]	Sandirasegaram N M. Spot SAR ATR using wavelet features and neural network classifier[R]. Defence Research and Development Canada Ottawa (Ontario), 2005.
[12]	Tan Yi-hua, Li Qing-yun, Li Yan-sheng, et al. Aircraft detection in high-resolution SAR images based on a gradient textural saliency map[J].Sensors, 2015, 15(9): 23071–23094. doi: 10.3390/s150923071
[13]	Jao J K, Lee C E, and Ayasli S. Coherent spatial filtering for SAR detection of stationary targets[J].IEEE Transactions on Aerospace and Electronic Systems, 1999, 35(2): 614–626. doi: 10.1109/7.766942
[14]	Zhao Q and Principe J C. Support vector machines for SAR automatic target recognition[J].IEEE Transactions on Aerospace and Electronic Systems, 2001, 37(2): 643–654. doi: 10.1109/7.937475
[15]	Sun Yi-jun, Liu Zhi-peng, Todorovic S, et al. Adaptive boosting for SAR automatic target recognition[J].IEEE Transactions on Aerospace and Electronic Systems, 2007, 43(1): 112–125. doi: 10.1109/TAES.2007.357120
[16]	Keydel E R, Lee S W, and Moore J T. MSTAR extended operating conditions: A tutorial[C]. Proc. SPIE 2757, Algorithms for Synthetic Aperture Radar Imagery III, Orlando, FL, Apr. 1996: 228–242.
[17]	Krizhevsky A, Sutskever I, and Hinton G E. ImageNet classification with deep convolutional neural networks[C]. International Conference on Neural Information Processing Systems, South Lake Tahoe, Nevada, USA, Dec. 2012: 1097–1105.
[18]	Ding Jun, Chen Bo, Liu Hong-wei, et al. Convolutional neural network with data augmentation for SAR target recognition[J].IEEE Geoscience and Remote Sensing Letters, 2016, 13(3): 364–368.
[19]	Chen Si-zhe, Wang Hai-peng, Xu Feng, et al. Target classification using the deep convolutional networks for SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(8): 4806–4817. doi: 10.1109/TGRS.2016.2551720
[20]	Diao Wen-hui, Sun Xian, Zheng Xin-wei, et al. Efficient saliency-based object detection in remote sensing images using deep belief networks[J].IEEE Geoscience and Remote Sensing Letters, 2016, 13(2): 137–141. doi: 10.1109/LGRS.2015.2498644
[21]	Chen Jie-hong, Zhang Bo, and Wang Chao. Backscattering feature analysis and recognition of civilian aircraft in TerraSAR-X images[J].IEEE Geoscience and Remote Sensing Letters, 2015, 12(4): 796–800. doi: 10.1109/LGRS.2014.2362845
[22]	Srivastava N, Hinton G, Krizhevsky A, et al. Dropout: A simple way to prevent neural networks from overfitting[J].The Journal of Machine Learning Research, 2014, 15(1): 1929–1958.
[23]	Glorot X, Bordes A, and Bengio Y. Deep sparse rectifier neural networks[C]. 14th International Conference on Artificial Intelligence and Statistics, Fort Lauderdale, FL, USA, 2011: 315–323.
[24]	Qian Ning. On the momentum term in gradient descent learning algorithms[J].Neural Networks, 1999, 12(1): 145–151. doi: 10.1016/S0893-6080(98)00116-6

施引文献

期刊类型引用(88)

1.	肜瑶，张洋洋. 重构目标和多层次BVMD特征融合的SAR图像目标识别方法. 探测与控制学报. 2025(01): 94-101 . 百度学术
2.	杨慧娉，赖小龙，刘丹. 一种基于区域特征的SAR图像目标识别方法. 电光与控制. 2025(03): 76-81 . 百度学术
3.	吕虎. 基于属性散射中心目标重构加权决策融合的SAR目标识别方法. 电光与控制. 2024(02): 112-117+124 . 百度学术
4.	李振汕，丁柏圆. 联合核稀疏表示和增强字典的SAR目标识别方法. 电光与控制. 2024(08): 44-49 . 百度学术
5.	罗曼，李新. 改进卷积神经网络的SAR图像识别方法. 空天预警研究学报. 2024(03): 162-166+172 . 百度学术
6.	赵琰，赵凌君，张思乾，计科峰，匡纲要. 自监督解耦动态分类器的小样本类增量SAR图像目标识别. 电子与信息学报. 2024(10): 3936-3948 . 百度学术
7.	何洁，李文娟，陈欣. NCIE在多特征选择及SAR目标识别中的应用. 太赫兹科学与电子信息学报. 2023(02): 183-188 . 百度学术
8.	王源源. 联合变分模态分解和卷积神经网络的SAR图像目标分类方法. 电光与控制. 2023(06): 41-46 . 百度学术
9.	陈婕，潘洁，杨小英. 结合非采样剪切波和MCCA的SAR目标识别方法. 探测与控制学报. 2023(03): 89-94 . 百度学术
10.	李鹏，冯存前，胡晓伟. 一种改进的可解释SAR图像识别网络. 空军工程大学学报. 2023(04): 49-55 . 百度学术
11.	王源源. 基于改进稀疏表示的SAR图像目标识别方法. 电光与控制. 2023(09): 42-46 . 百度学术
12.	许延龙，潘昊，丁柏圆. 基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用. 液晶与显示. 2023(11): 1511-1520 . 百度学术
13.	李昆，赵鹏，张帝，尹广举. 基于结构相似性的多模态筛选及在SAR目标识别中的应用研究. 中国电子科学研究院学报. 2023(11): 996-1002+1028 . 百度学术
14.	陆建华. 融合CNN和SRC决策的SAR图像目标识别方法. 红外与激光工程. 2022(03): 520-526 . 百度学术
15.	游丽. 基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法. 红外与激光工程. 2022(04): 399-404 . 百度学术
16.	赵高丽，宋军平. 联合多特征的MSTAR数据集SAR目标识别方法. 武汉大学学报(工学版). 2022(07): 732-739 . 百度学术
17.	周志洪，陈秀真，马进，夏正敏. 烟花算法在SAR图像属性散射中心参数估计中的应用. 红外与激光工程. 2022(08): 481-487 . 百度学术
18.	李正伟，黄孝斌，胡尧. 基于二维随机投影特征典型相关分析融合的SAR ATR方法. 红外与激光工程. 2022(10): 366-373 . 百度学术
19.	王源源，王小芳. 结合多特征联合表征和自适应加权的SAR图像目标识别方法. 电光与控制. 2022(11): 97-101+117 . 百度学术
20.	莫海宁，钟友坤. 基于BVMD特征决策融合的SAR目标识别方法. 电子信息对抗技术. 2022(05): 40-44+50 . 百度学术
21.	邢孟道，谢意远，高悦欣，张金松，刘嘉铭，吴之鑫. 电磁散射特征提取与成像识别算法综述. 雷达学报. 2022(06): 921-942 . 本站查看
22.	来雨. 基于属性散射中心的SAR图像重构及在目标识别中的应用. 火力与指挥控制. 2021(02): 46-52 . 百度学术
23.	刘飞，高红艳，卫泽刚，刘亚军，钱郁. 基于Res-Net深度特征的SAR图像目标识别方法. 液晶与显示. 2021(04): 624-631 . 百度学术
24.	伍友龙. 多元经验模态分解及在SAR图像目标识别中的应用. 红外与激光工程. 2021(04): 251-257 . 百度学术
25.	陈丛. 基于狼群算法的SAR图像属性散射中心参数估计. 红外与激光工程. 2021(04): 258-264 . 百度学术
26.	辛海燕，童有为. 结合多源特征与高斯过程模型的SAR图像目标识别. 电讯技术. 2021(04): 454-460 . 百度学术
27.	毛舒宇，岳凤英. 二维变分模态分解在SAR图像特征提取及目标识别中的应用. 电光与控制. 2021(03): 98-101+106 . 百度学术
28.	唐吉深，覃少华. 稀疏表示系数下局部最优重构的SAR图像目标识别算法. 探测与控制学报. 2021(02): 69-75+80 . 百度学术
29.	张楚笛，唐涛，计科峰. SAR图像车辆目标多模态联合协同表示分类方法. 信号处理. 2021(05): 681-689 . 百度学术
30.	刘志超，屈百达. 复数二维经验模态分解在SAR目标识别中的应用. 红外与激光工程. 2021(05): 245-252 . 百度学术
31.	刘志超，屈百达. 结合BM3D去噪与极限学习机的SAR目标分类方法. 电光与控制. 2021(06): 29-32 . 百度学术
32.	吴剑波，陆正武，关玉蓉，王庆东，姜国松. 二维压缩感知多投影矩阵特征融合的SAR目标识别方法. 红外与激光工程. 2021(06): 314-320 . 百度学术
33.	尚珊珊，余子开，范涛，金利民. 高斯过程模型在SAR图像目标识别中的应用. 红外与激光工程. 2021(07): 151-157 . 百度学术
34.	胡媛媛，韩彦龙. 快速自适应二维经验模态分解在SAR目标识别中的应用研究. 电光与控制. 2021(08): 40-43+87 . 百度学术
35.	张振中. 基于更新分类器的合成孔径雷达图像目标识别. 激光与光电子学进展. 2021(14): 234-241 . 百度学术
36.	李亚娟. 结合多决策准则稀疏表示的SAR图像目标识别方法. 红外与激光工程. 2021(08): 353-360 . 百度学术
37.	唐波，刘钢，谢黄海，黄力，代朝阳，李枫航. 基于多视角属性散射中心的风电机动态叶片雷达回波模拟. 中国电机工程学报. 2021(18): 6449-6461 . 百度学术
38.	马丹丹. 图像分块匹配的SAR目标识别方法. 红外与激光工程. 2021(10): 290-297 . 百度学术
39.	陈禾，张心怡，李灿，庄胤. 基于多尺度注意力CNN的SAR遥感目标识别. 雷达科学与技术. 2021(05): 517-525+533 . 百度学术
40.	李笑雪，黄煜峰，李忠智. 嵌入特征预提取和注意力机制的SAR图像目标检测. 江西科学. 2021(06): 1103-1109 . 百度学术
41.	陈婕，潘洁，杨小英，陈海媚，廖志平. 一种多视角SAR图像目标识别方法. 电讯技术. 2021(12): 1547-1553 . 百度学术
42.	李宁，王军敏，司文杰，耿则勋. 基于最大熵准则的多视角SAR目标分类方法. 红外与激光工程. 2021(12): 572-578 . 百度学术
43.	陈欣，陈明逊. 基于增强数据集卷积神经网络的SAR目标识别方法. 重庆理工大学学报(自然科学). 2020(01): 86-93 . 百度学术
44.	张婷，蔡德饶. 联合多层次深度特征的SAR图像目标识别方法. 火力与指挥控制. 2020(02): 135-140 . 百度学术
45.	陈婕. 考察独立性和相关性的多视角SAR图像目标识别方法. 电光与控制. 2020(03): 89-93+114 . 百度学术
46.	丁慧洁. 基于非下采样剪切波特征提取的SAR图像目标识别方法. 探测与控制学报. 2020(01): 75-80 . 百度学术
47.	柳小文，雷军程，伍雁鹏. 基于二维经验模态分解的合成孔径雷达目标识别方法. 激光与光电子学进展. 2020(04): 76-83 . 百度学术
48.	张宏武，康凯. 结合二维内蕴模函数和贝叶斯多任务学习的SAR目标识别. 电讯技术. 2020(04): 372-377 . 百度学术
49.	李亚娟. 结合全局和局部稀疏表示的SAR图像目标识别方法. 电子测量与仪器学报. 2020(02): 165-171 . 百度学术
50.	兰文宝，车畅，陶成云. 基于斯皮尔曼等级相关的单演谱成分选择及其在SAR目标识别中的应用. 电波科学学报. 2020(03): 414-421 . 百度学术
51.	周光宇，刘邦权，张亶. 基于变分模态分解的SAR图像目标识别方法. 国土资源遥感. 2020(02): 33-39 . 百度学术
52.	郭炜炜，张增辉，郁文贤，孙效华. SAR图像目标识别的可解释性问题探讨. 雷达学报. 2020(03): 462-476 . 本站查看
53.	陈婕，廖志平. 基于增强字典稀疏表示分类的SAR目标识别方法. 探测与控制学报. 2020(03): 75-81 . 百度学术
54.	吴天宝，夏靖波，黄玉燕. 基于SVM和SRC级联决策融合的SAR图像目标识别方法. 河南理工大学学报(自然科学版). 2020(04): 118-124 . 百度学术
55.	丛培贤，赵永彬，邸卓，刘雪松，徐静. 基于内蕴判别分析的SAR目标识别方法. 自动化技术与应用. 2020(09): 103-107 . 百度学术
56.	张伟昌，王文政，代作松. 结合NSCT和TPCA的SAR图像目标识别. 火力与指挥控制. 2020(09): 41-46 . 百度学术
57.	王源源. 一种基于多分辨率表示的SAR图像识别方法. 电光与控制. 2020(10): 31-36 . 百度学术
58.	申伟，石平. 单演信号随机加权融合的SAR图像目标识别方法. 电子测量与仪器学报. 2020(09): 181-187 . 百度学术
59.	陈潜，刘金清. 结合属性散射中心模型和空间变迹法的SAR图像旁瓣抑制方法. 电子测量与仪器学报. 2020(10): 57-64 . 百度学术
60.	张虹，左鑫兰，黄瑶. 基于稀疏表示系数相关性的特征选择及SAR目标识别方法. 激光与光电子学进展. 2020(14): 271-278 . 百度学术
61.	徐永士，贲可荣，王天雨，刘斯杰. DCGAN模型改进与SAR图像生成研究. 计算机科学. 2020(12): 93-99 . 百度学术
62.	涂豫. 基于贝叶斯卷积神经网络与数据增强的SAR图像目标分类方法. 探测与控制学报. 2020(06): 43-48 . 百度学术
63.	马梓元，龚华军，王新华，刘禹. 典型多特征决策融合方法及在无人机SAR图像目标识别中的应用. 舰船电子工程. 2020(12): 96-99 . 百度学术
64.	何洁，陈欣. 基于非线性相关信息熵的SAR图像多分辨率选择及目标识别. 激光与光电子学进展. 2020(22): 215-222 . 百度学术
65.	王骏，陈艳平，江立辉. 结合稀疏表示和协同表示的SAR图像目标方位角估计. 电子测量与仪器学报. 2020(12): 165-171 . 百度学术
66.	乔良才. 结合多分辨率表示和复数域CNN的SAR图像目标识别方法. 激光与光电子学进展. 2020(24): 98-106 . 百度学术
67.	王旭，蒋书波，张秀梅. SAR目标轮廓匹配及其在目标识别中的运用. 计算机工程与设计. 2019(01): 184-189 . 百度学术
68.	蔡德饶，宋愈珍. 带鉴别分析的多视角SAR图像联合决策及目标识别. 中国电子科学研究院学报. 2019(01): 37-41+54 . 百度学术
69.	段芃芃，刘锂. 基于相关性分析的SAR图像目标方位角估计. 中国电子科学研究院学报. 2019(01): 42-46 . 百度学术
70.	靳黎忠，陈俊杰，彭新光. 决策可靠性分析及在SAR图像目标识别中的应用. 电讯技术. 2019(04): 409-414 . 百度学术
71.	王鑑航，张广宇，李艳. 基于协同编码分类器的SAR目标识别方法. 中国电子科学研究院学报. 2019(03): 290-295 . 百度学术
72.	陈岭. 基于随机加权的SAR图像多特征联合目标分类. 电子测量与仪器学报. 2019(05): 187-192 . 百度学术
73.	张婷，蔡德饶. 基于属性散射中心匹配的噪声稳健SAR目标识别方法. 中国电子科学研究院学报. 2019(06): 557-562+567 . 百度学术
74.	郭敦，吴志军. 基于局部字典块稀疏表示的SAR图像目标识别方法. 中国电子科学研究院学报. 2019(08): 813-817+829 . 百度学术
75.	张克，牛鹏涛. 稀疏表示分类在SAR图像目标识别中的应用分析. 信息技术. 2019(09): 39-43 . 百度学术
76.	张华，张素莉，何树吉. 基于幅相分离和动态粒子群算法的SAR图像属性散射中心参数估计. 中国电子科学研究院学报. 2019(09): 993-1000 . 百度学术
77.	王源源. 基于单演信号多重集典型相关分析的SAR目标识别方法. 电光与控制. 2019(10): 7-11+29 . 百度学术
78.	夏朋举. 目标区域和阴影联合决策的SAR图像目标识别方法. 中国电子科学研究院学报. 2019(10): 1062-1067+1087 . 百度学术
79.	陈惠红，刘世明. 基于多重集典型相关的深度特征融合及SAR目标识别方法. 电子测量与仪器学报. 2019(09): 57-63 . 百度学术
80.	冯冬艳，王海晖. 相关性约束下SAR图像动态重构的目标识别方法. 电子测量与仪器学报. 2019(09): 100-106 . 百度学术
81.	陈宏. 结合多视角-多特征的SAR图像目标识别方法. 电子测量与仪器学报. 2019(09): 87-92 . 百度学术
82.	刘阳. 基于属性散射中心多层次匹配的SAR目标识别方法. 电子测量与仪器学报. 2019(11): 192-198 . 百度学术
83.	李辉. 基于峰值特征高斯混合建模的SAR目标识别. 电子测量与仪器学报. 2018(08): 103-108 . 百度学术
84.	赵鹏举，甘凯. 基于互补特征层次决策融合的SAR目标识别方法. 电光与控制. 2018(10): 28-32 . 百度学术
85.	谢晴，张洪. SAR图像多层次正则化增强及在目标识别中的应用. 电子测量与仪器学报. 2018(09): 157-162 . 百度学术
86.	王立梅，李金凤，张亚峰. 联合多层次散射区域的SAR目标识别方法. 中国电子科学研究院学报. 2018(06): 690-694 . 百度学术
87.	蔡德饶，张婷. 联合多分辨表示的SAR图像目标识别方法. 电子测量与仪器学报. 2018(12): 71-77 . 百度学术
88.	董平，林嘉宇，刘莹. 一种基于峰值匹配的SAR目标识别方法. 无线互联科技. 2017(22): 112-114+121 . 百度学术