1. MSTAR数据集扩充

  • 在原始SAR图像（128×128）中随机裁剪88×88大小的切片，每一张切片都能包含目标区域，经过随机采样样本数量可达（128-88+1）×（128-88+1）=1681 倍，每一个类别的每张SAR图像都采样10个切片，从而提高训练样本数量。

2. 全卷积网络模型（AConvNets）

  • 网络完全由卷积层实现，去掉全连接层，最后一层卷积输出直接Softmax输出每个类别概率，损失函数依旧为分类交叉熵损失，具体网络模型如下：

    image-20210809102008276

  • 其中卷积层使用BN层防止过拟合并加速训练，输入训练集维度：[b, 88, 88, 1] -> 输出：[b, 1, 1, 10]，训练仍然采用的分类交叉熵损失，优化器Adam，学习率为0.0001。

3. SOC条件下分类结果

  • 训练集和测试集如下：
类别 数量
训练集17° 测试集15°
2S1 299 274
BMP2 233 196
BRDM2 298 274
BTR60 256 195
BTR70 233 196
D7 299 274
T62 299 273
T72 232 196
ZIL131 299 274
ZSU23/4 299 274
总计 2747 2426

  • 训练集每张SAR图像裁剪5个随机切片，中心裁剪1个切片，均为88×88像素，训练集一共2747×6=16482 (张)。测试集中心裁剪88×88的切片。

  • 训练：epoch = 50， Adam优化器，learning_rate = 0.0001, 在tensorboard中显示训练集和测试集Accuracy、Loss曲线：

    image-20210809103258789image-20210809103401264

  • 计算测试集的混淆矩阵如下：

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
     	 2S1 BMP2 BRDM B60 B70 D7 T62 T72 ZIL ZSU	
    2S1[[263   0   0   0   0   0  11   0   0   0]	95.99%
    BMP2[  0 132   0  18   3   0   0  42   0   1]	67.35%
    BRDM[  0   0 272   0   0   0   0   0   0   2]	99.27%
    B60 [  0   0   0 192   0   0   0   0   1   2]	98.46%
    B70 [  0   0   0  13 181   0   0   2   0   0]	92.35%
    D7 	[  2   0   0   0   0 272   0   0   0   0]	99.27%
    T62 [  0   0   0   0   0   0 273   0   0   0]	100%
    T72 [  0   0   0   1   0   0   0 195   0   0]	99.49%
    ZIL [  0   0   0   0   0   4   0   0 270   0]	98.54%
    ZSU [  0   0   0   0   0   0   0   0   0 274]]	100%
    总计： 95.07% 
    The Precision is :  0.9574354589252246
    The Recall is :  0.9507109053615832
    The Accuracy is :  0.9579554822753503
    The F1 is :  0.9493873742571258
    The F_beta is :  0.949223632328047
    The Auc Score is :  0.9996171502953114

4. EOC1条件下分类结果

  • EOC1是大俯仰角变化条件下，其训练集和测试集如下：
类别 数量 数量
训练集17° 测试集30°
2S1 299 288
BRDM2 298 287
T72 299 288
ZSU234 299 288
总计 1195 1151

  • 训练集每张SAR图像裁剪5个随机切片，中心裁剪1个切片，均为88×88像素，训练集一共1195×6=7170 (张)。测试集中心裁剪88×88的切片。

  • 训练：epoch200，Adam优化器，learning_rate = 0.0001, 在tensorboard中显示训练集和测试集Accuracy、Loss曲线：

    image-20210809120835524image-20210809120907698

  • 计算测试集的混淆矩阵如下：

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
         2S1  BRDM  T72  ZSU	
    2S1   288   0    0    0		100%
    BRDM   0   287   0    0		100%
    T72    0    0   287   1		99.65%
    ZSU   59    0    0   229	79.51%
    总计： 94.79% 

    The CNN Precision is :  0.9564058388673098
    The CNN Recall is :  0.9479166666666666
    The CNN Accuracy is :  0.947871416159861
    The CNN F1 is :  0.9473793419770824
    The CNN F_beta is :  0.9465925313694183

5. EOC2条件下分类结果

  • EOC2是车辆外观配置变化，其训练集如下：
类别 数量（俯仰角17°）
BMP2（9563） 233
BRDM2 298
BTR70（C71） 233
T72（132） 232
总计 995
  • 测试集：
类别 型号 数量（俯仰角17° & 15°）
T72 S7 419
T72 A32 572
T72 A62 573
T72 A63 573
T72 A64 573
总计 2710

  • 训练集每张SAR图像裁剪10个随机切片，中心裁剪1个切片，均为88×88像素，训练集一共995×11=10945(张)。测试集中心裁剪88×88的切片。

  • 训练：epoch50，Adam优化器，learning_rate = 0.0001, 在tensorboard中显示训练集和测试集Accuracy、Loss曲线：

    image-20210809121909757image-20210809121932135

  • 计算测试集的混淆矩阵如下：

    1
    2
    3
    4
    5
    6
    7
    	BMP2  BRDM2  BTR70   T72  
    S7	 8		0	   0     411	98.09%
    A32	 0      0      0     572	100%
    A62  1      0      0     572	99.83%
    A63  1      0      0     572	99.83%
    A64  4      0      0     569	96.14%
    总计：98.78%

6. EOC3条件下分类结果

  • EOC3是针对同一目标的不同型号变种，训练集和EOC2训练集一致，测试集如下：
类别 型号 数量（俯仰角17° & 15°）
BMP2 9566 428
BMP2 C21 429
T72 812 426
T72 A04 573
T72 A05 573
T72 A07 573
T72 A10 567
总计 3569

  • 这里直接用EOC2训练好的模型进行预测，测试集的混淆矩阵如下：

    1
    2
    3
    4
    5
    6
    7
    8
    9
    		   BMP2   BRDM2    BTR70   T72  
    BMP9566	   359		0		17	    52		83.88%
    BMPC21	   372		0		1		2		86.71%
    T72_812		2		0		1	   423		99.30%
    T72_A04		3		0		0	   570		99.48%
    T72_A05		1		0		0	   572		99.83%
    T72_A07		0		0		0	   573		100%
    T72_A10		20		0		0	   547		96.47%		
    总计：95.74%