合成孔径雷达目标识别:从经验建模走向深度学习电子书

扉页

目录

内容提要

前言

第一部分 背景与基础知识

第1章 目标识别导论

1.1 基本要素

1.1.1 目标先验信息

1.1.2 目标观测数据

1.1.3 目标识别方法

1.1.4 相似性度量

1.2 经典的技术路线

1.2.1 模板匹配目标识别

1.2.2 模型视觉目标识别

1.3 典型的识别系统

第2章 目标检测与识别的困难与挑战

2.1 雷达成像的特点

2.1.1 后向散射机制

2.1.2 平面斜距投影

2.1.3 像素物理意义

2.1.4 相干斑点噪声

2.1.5 旁瓣与散焦

2.2 困难与挑战

2.2.1 成像参数变化

2.2.2 目标本身变化

2.2.3 周围环境变化

第3章 目标检测与识别的经典流程

3.1 目标检测

3.1.1 恒虚警率检测

3.1.2 广义似然比检测

3.2 目标鉴别

3.2.1 目标特征提取

3.2.2 鉴别特征选择

3.2.3 鉴别分类判决

3.3 目标分类

第二部分 模型驱动技术方案

第4章 电磁散射建模方法

4.1 参数化电磁散射模型

4.1.1 点散射中心模型

4.1.2 衰减指数模型

4.1.3 几何绕射理论模型

4.1.4 属性散射中心模型

4.2 散射中心参数估计

4.2.1 现代谱估计

4.2.2 最大似然估计

4.2.3 稀疏优化估计

4.3 特征匹配与判决

4.3.1 散射点集匹配

4.3.2 散射区域匹配

第5章 统计分布建模方法

5.1 相干斑原理与特性

5.1.1 相干斑的成因

5.1.2 相干斑的统计特性

5.1.3 多视处理

5.1.4 多视相干斑的统计特性

5.2 参数化概率统计建模

5.2.1 一维距离像统计建模

5.2.2 SAR 图像统计建模

5.2.3 参数估计方法

5.3 非参数化概率统计建模

5.4 统计推断与决策

第6章 相关滤波匹配方法

6.1 线性相关滤波器

6.2 核函数映射

6.2.1 非线性映射

6.2.2 典型的核函数

6.2.3 核函数的性质

6.3 无穷维特征空间相关滤波器

6.4 有限维特征空间相关滤波器

6.4.1 相关熵

6.4.2 相关熵滤波

6.5 多项式相关滤波器

6.6 相关响应评价指标

第7章 时频变换方法

7.1 傅里叶变换

7.1.1 傅里叶级数

7.1.2 从傅里叶级数到傅里叶变换

7.1.3 二维傅里叶变换

7.2 短时傅里叶变换

7.2.1 加窗傅里叶变换

7.2.2 时频域分辨率

7.2.3 窗函数及其性能指标

7.3 Gabor 变换

7.3.1 一维 Gabor 核

7.3.2 二维 Gabor 核

7.4 小波变换

第8章 解析信号表示方法

8.1 希尔伯特变换

8.1.1 解析信号

8.1.2 解析信号的性质

8.2 高维信号 Riesz 变换

8.2.1 Riesz 变换

8.2.2 图像解析信号表示

第三部分 深度学习技术路线

第9章 深度学习的背景

9.1 海量数据的支撑

9.1.1 通用数据集

9.1.2 SAR 数据集

9.2 计算模式的改变

第10章 神经网络模型

10.1 神经网络

10.1.1 梯度下降算法

10.1.2 误差反向传播算法

10.2 深度学习

10.2.1 深度学习的基本概念

10.2.2 深度学习的处理流程

10.2.3 深度学习的主要特点

10.3 生成式模型

10.3.1 变分推理思想

10.3.2 对抗博弈思想

10.3.3 可逆分布变换

10.3.4 去噪扩散模型

10.4 判别式模型

10.4.1 经典卷积模式

10.4.2 典型卷积模块

10.5 混合式模型

10.5.1 条件生成对抗网络

10.5.2 半监督生成对抗网络

10.5.3 互信息生成对抗网络

10.5.4 辅助条件生成对抗网络

第11章 端到端目标检测

11.1 深度学习目标检测

11.1.1 预设锚框目标检测

11.1.2 无锚框目标检测

11.2 骨干网络模型

11.2.1 通用网络模型

11.2.2 专属网络模型

11.3 典型损失函数

11.3.1 类别损失

11.3.2 位置损失

11.4 主要评价指标

11.4.1 单一评价指标

11.4.2 综合评价指标

第四部分 联合驱动解决方案

第12章 典型科学问题

12.1 分类任务场景

12.1.1 实验数据集

12.1.2 网络模型性能评测

12.1.3 训练样本数量评测

12.2 检测任务场景

12.2.1 实验数据集

12.2.2 目标检测范式性能对比

12.2.3 骨干网络性能对比

12.2.4 数据增强性能对比

第13章 样本数据制约的解决方案

13.1 样本数据制约的常用解决方案

13.2 目标检测任务

13.2.1 构建目标切片集

13.2.2 构建杂波场景集

13.2.3 多样化检测场景重建

13.3 检测性能验证

13.3.1 检测范式验证

13.3.2 检测可视化结果

13.3.3 杂波统计建模验证

13.3.4 目标扩展微调验证

13.4 分类识别任务

13.4.1 SAR 成像原理

13.4.2 目标姿态扩展成像

13.4.3 跨域随机扰动成像

13.4.4 背景杂波迁移成像

13.4.5 子孔径随机分解成像

13.4.6 分辨率随机降低成像

13.5 分类性能验证

13.5.1 离线样本扩充

13.5.2 在线样本扩充

13.6 跨域知识迁移

13.6.1 仿真数据知识迁移

13.6.2 同源数据知识迁移

13.6.3 异源数据知识迁移

13.6.4 迁移学习的机制

13.6.5 学习模型结构迁移

13.6.6 知识迁移实验验证

第14章 计算能力制约的解决方案

14.1 网络剪枝

14.1.1 细粒度剪枝

14.1.2 粗粒度剪枝

14.2 模型量化

14.2.1 线性量化与非线性量化

14.2.2 饱和量化与非饱和量化

14.2.3 后训练量化与量化感知训练

14.3 低秩分解

14.3.1 矩阵奇异值分解

14.3.2 高阶张量分解

14.4 知识蒸馏

14.5 轻量化网络

第15章 思考与展望

15.1 目标检测任务

15.2 分类识别任务

15.3 样本扩充任务

15.3.1 困难与挑战

15.3.2 通用相似度量

15.3.3 通用模型评估

参考文献