卷积神经网络在SAR图像目标识别的应用进展
美国国防高等研究计划署（DARPA）在MSTAR计划中公布的合成孔径雷达地面目标实测数据被称为MSTAR数据集，是当前合成孔径雷达（SAR）图像目标分类识别研究的主要数据来源。这一数据集的图像分辨率为0.3米×0.3米，像素尺寸大小为128×128，极化方式为水平极化（HH）。数据集包含多种不同型号的车辆目标在多个方位角下的SAR图像信息，同时还包括少量农村和城市环境场景数据。在SAR图像目标识别中，特征提取是关键步骤。由于SAR图像成像的特性，存在相干斑噪声，影响目标的边沿和纹理信息，降低图像质量，因此需要采用合适的去噪算法对斑点噪声进行抑制，以提高后续的目标识别准确率。目前，主要从两个方向对SAR图像的斑点噪声进行抑制，一是成像前的非相干多视处理，二是成像后的滤波处理。非相干多视技术在抑制相干斑噪声的同时会降低地面分辨率，而滤波处理在去噪时通常会影响图像的细节和边缘信息。随着深度学习和人工智能的迅猛发展，卷积神经网络（CNN）在图像去噪领域表现突出。通过CNN，可以自动提取图像特征，对SAR图像噪声进行抑制。CNN作为特征提取网络在SAR图像目标识别领域得到广泛关注。研究者通过设计合适的网络结构，使CNN能够有效地抑制相干斑噪声，同时保留图像细节信息。近年来，不少研究表明使用CNN对SAR图像进行去噪在提高识别准确率方面具有良好效果。不同的网络改进方式，如改变网络结构、代价函数、卷积核大小等，都在提高去噪效率方面发挥着重要作用。总体而言，卷积神经网络在SAR图像去噪和目标识别领域的应用前景广阔。2014年，Chen等首次采用单级卷积网络自动学习SAR目标识别特征。之后的研究在CNN和SVM等方法的结合上取得了显著进展，提高了目标分类的准确性。卷积神经网络在SAR图像目标识别方面的应用具有独特优势，通过合适的网络结构设计，可以有效地提高目标识别精度，有望进一步推动SAR技术的发展。[1]冯博迪,杨海涛,李高源,等.神经网络在SAR图像目标识别中的研究综述[J].兵器装备工程学报, 2021, 42(10):8.
2018年4月发布灵鹊遥感星座计划
2019年1月成功发射技术验证星灵鹊一号A星
2019年3月发射技术验证星灵鹊一号B星
2019年7月成功发射试验载荷HECATE-1
2020年9月发布灵鹊二号、三号计划
2021年4月发射金紫荆一号/金紫荆一号02星
2021年12月发射金紫荆一号03星
2022年5月发射金紫荆一号04星
2022年12月发射金紫荆一号05/06星
2025年初期计划132颗，后期计划378颗
微博：零重力实验室
官网：www.cubesatgarage.com
