基于改进YOLOv8的SAR图像智能识别方法

摘要

[目的]针对合成孔径雷达(synthetic aperture radar, SAR)图像对拍摄角度和目标姿态变化敏感，导致模型区分目标困难的问题.本文基于YOLOv8提出了一种SAR图像车辆目标智能识别模型DCF-SAR.[方法]该模型首先引入可变形卷积网络(deformable convolutional network, DCN)模块，以增强模型对发生形变目标的识别能力.其次，通过引入内容感知特征重组(content aware reassembly of features, CARAFE)上采样模块来提升模型在特征融合阶段的效率.最后，为进一步增强模型训练效率和特征提取能力，使用Focal损失函数改进了原始模型的交叉熵分类损失函数，以提高模型的分类精度及其对目标区域的关注程度.[结果]在MSTAR数据集上的实验结果表明，DCF-SAR模型能够在扩展操作条件(EOC)大俯仰角变化的数据集上实现98.79%的识别准确度，比原始模型提高0.12个百分点，在标准操作条件(SOC)仅含方位角变化的1/12规模的数据集上实现89.13%的识别准确度，相比原始模型提高10.98个百分点.[结论] DCF-SAR不仅在拍摄俯仰角大幅变化时表现稳健，在拍摄方位角覆盖不全面的资源受限场景中也具备较高的识别准确度.

关键词

合成孔径雷达 / 可变形卷积网络 / 内容感知特征重组 / Focal损失函数