基于GAN的SAR数据扩充研究综述
2021-12-03黄琼男朱卫纲李永刚
黄琼男,朱卫纲,李永刚
(1.电子信息系统复杂电磁环境效应国家重点实验室, 河南 洛阳 471032; 2.航天工程大学 研究生院, 北京 101416; 3.航天工程大学 电子与光学工程系, 北京 101416)
1 引言
合成孔径雷达(synthetic aperture radar,SAR)具有全天时工作、全天候成像、作用距离远、穿透能力强等特点,在可见度极低的气象条件下仍能获得高分辨率二维图像,且SAR图像能够获取不同波段下目标的散射特性[1],极大地提高了所获取信息的丰富度,其在军事、民用等领域具有重大的意义。随着深度学习技术的发展,尤其是卷积神经网络凭借其强大的特征自学能力迅速在SAR目标检测领域占主导地位,R-CNN系列[2-4]、YOLO系列[5-7]、SSD[8]等具有端到端模式的算法相继提出,有力地促进了SAR图像目标解译技术的发展。现阶段,影响检测性能的关键因素主要有算法和数据两大方面,一部分学者专注于检测算法的改进和开拓,一部分学者致力于数据的研究。数据作为推动深度学习技术发展的“原油”,MSTAR、SSDD、HRSID、LS-SSDD等数据集[10-14]的出现为SAR目标检测积累了大量的数据,然而,由于各国对非合作目标采用相应的反侦察技术,导致采集此类目标样本有限,这就需要对特定的样本数据进行扩充。目前,数据扩充的手段多种多样,旋转、平移等数据增强的扩充方法并未从根本上改变图像内部的信息,计算机建模仿真的方法精确度较低,也缺乏可操作性。因此,合理的对SAR数据扩充势在必行,近年来利用深度生成模型生成虚假数据成为研究的热点,尤其是生成对抗网络(generative adversarial networks,GAN)[15]提出以来,AI一键换脸、AI图像修复等各种应用层出不穷,随后发展的GAN衍生模型也被应用于各个领域。……
