基于改进CycleGAN的合成孔径雷达图像仿真

doi:10.3969/j.issn.0253-2778.2020.08.019

中国科学技术大学学报 ›› 2020, Vol. 50 ›› Issue (8): 1181-1186.DOI: 10.3969/j.issn.0253-2778.2020.08.019

基于改进CycleGAN的合成孔径雷达图像仿真

白江波，杨阳，张文生

中国科学院自动化研究所，北京 100080

收稿日期:2020-07-15 修回日期:2020-08-18 接受日期:2020-08-18 出版日期:2020-08-31 发布日期:2020-08-18
通讯作者: 张文生
作者简介:白江波，男，1994年生，工程师. 研究方向: 计算机视觉，生成式对抗网络，人工智能. E-mail: jiangbo.bai@ia.ac.cn
基金资助:
国家重点研发计划 (2019YFB2103103)；NSFC-通用技术基础研究联合基金 (U1936206)；国家自然科学基金面上项目 (61976213)资助.

A simulation of the synthetic aperture radar image based on improved CycleGAN

BAI Jiangbo, YANG Yang, ZHANG Wensheng

Institute of Automation, Chinese Academy of Sciences, Beijing 100080, China

Received:2020-07-15 Revised:2020-08-18 Accepted:2020-08-18 Online:2020-08-31 Published:2020-08-18

摘要/Abstract

摘要： 目标和场景的跨模态数据对于以深度神经网络为基础的跨模态检测与多模态融合算法的性能提升有着极其重大的意义.由于SAR图像的特殊性，获得成对的数据集成本很高，且现有的SAR图像生成算法大多集中在提升图像多样性与小范围场景生成，对于特定场景的图像配对转化鲜有涉及.本文利用改进的循环一致性对抗网络CycleGAN实现SAR图像目标和场景的SAR图像的仿真，并利用最小二乘损失对网络进行改进，使网络性能获得提升，提高了成像的质量，论文所提方法对SAR图像进行了仿真实验，结果表明，本文方法生成图像的精细度与稳定度最优，实现了更好的仿真结果.

关键词: 循环一致性对抗网络, SAR图像仿真，深度残差网络，最小二乘生成对抗网络

Abstract: The cross-modal data of targets is of great significance to the improvement of the performance of cross-modal detection and multi-modal fusion algorithms based on deep neural networks. Due to the particularity of SAR images, the cost of obtaining paired data is very high, and most of the existing SAR image generation algorithms focus on improving image diversity and small-scale scene generation, and rarely involve image pairing conversion for specific scenes. In this paper, the improved cycle consistency against network CycleGAN is used to achieve the simulation of SAR images of SAR image targets and scenes, and the least square loss is used to improve the network, which improves the network performance and improves the imaging quality. The simulation experiment of SAR image is carried out. The results show that the method produced in this paper has the best fineness and stability, and achieves better simulation results.

Key words: CycleGAN, SAR image simulation, ResNet, LSGAN

中图分类号:

TP391

白江波，杨阳，张文生. 基于改进CycleGAN的合成孔径雷达图像仿真[J]. 中国科学技术大学学报, 2020, 50(8): 1181-1186.

BAI Jiangbo, YANG Yang, ZHANG Wensheng. A simulation of the synthetic aperture radar image based on improved CycleGAN[J]. Journal of University of Science and Technology of China, 2020, 50(8): 1181-1186.

参考文献

［1］
黄佳琦,祝明波,侯建国,董巍,邹建武.两种海面舰船SAR图像仿真方法对比[J].雷达科学与技术,2015,13(02):149-153.
HUANG J Q, ZHU M B, HOU J G, et al. Comparison between two methods for SAR imaging simulation of ships and sea background[J]. Radar Science and Technology, 2015, 13(02):149-153.
[2] 董刚刚.基于单演信号的SAR图像目标识别技术研究[D].合肥:国防科学技术大学,2016.
[3] 杨俊涛.基于分数谱时频特征的SAR目标检测与识别方法研究[D].成都:电子科技大学,2014.
[4] 王少娜.基于稀疏特征学习的SAR图像目标识别和变化检测[D].西安:西安电子科技大学,2016.
[5] 陈玉洁. SAR图像飞机目标分类识别技术研究[D]. 合肥:国防科学技术大学,2016.
[6] 贺丰收,何友,刘准钆,徐从安.卷积神经网络在雷达自动目标识别中的研究进展[J].电子与信息学报,2020,42(01):119-131.
[7] 胡显,姚群力,侯冰倩,等.基于卷积神经网络的合成孔径雷达图像目标识别[J].科学技术与工程,2019,19(21):228-232.
[8] 米野. 基于生成对抗网络的雷达图像增强技术研究[D]. 北京:北京邮电大学,2019.
[9] 王雷雷. 基于GAN的SAR图像生成研究[D]. 成都:电子科技大学,2019.
[10] 祝明波,黄佳琦,侯建国,等.舰船及其海面背景SAR成像模拟研究综述[J].航天电子对抗,2014,30(04):15-17.
[11] XU F, JIN Y Q. Imaging simulation of polarimetric SAR for a comprehensive terrain scene using the mapping and projection algorithm[J]. IEEE Transactions on Geoscience& Remote Sensing, 2006, 44(11):3219-3234.
[12] 陈权,李震,魏小兰.基于几何特性和辐射特性的HJ-1 C星SAR图像模拟[J].遥感学报，2006, 10(5):722-726.
[13] 陈杰，周荫清，李春升.星载SAR自然地面场景仿真方法研究[J].电子学报, 2001, 29(9):1202-1205.
[14] 贺召卿,张冰尘,詹学丽,李建雄.利用机SAR图像仿真星载SAR图像[J].现代雷达, 2006(06):4-7.
[15] 李仁杰,计科峰,邹焕新,周石琳.基于电磁散射特性计算的目标SAR图像仿真[J].雷达科学与技术,2010,8(05):395-400.
[16] 董纯柱,胡利平,朱国庆,殷红成.地面车辆目标高质量SAR图像快速仿真方法[J].雷达学报,2015,4(03):351-360.
[17] 夏伟杰. 合成孔径雷达回波仿真与图像模拟[D].南京:南京航空航天大学,2010.
[18] 刁桂杰,许小剑,倪虹,路军杰.舰船目标宽带单脉冲雷达三维成像建模与仿真[J].系统仿真学报,2018,30(07):2515-2524.
[19] KARRAS T, LAINE S, AILA T. A Style-Based Generator Architecture for Generative Adversarial Networks[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2019.
[20] ZHU J Y, PARK T, ISOLA P, et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[J]. IEEE, 2017.

（上接第1115页）

[4] 李普煌, 李敏, 范新南, 张学武. 迭代分析相对密度的高光谱异常检测[J]. 中国图象图形学报, 2018, 23(002):219-228.
[5] 沈琰辉, 刘华文, 徐晓丹, 赵建民, 陈中育. 基于邻域离散度的异常点检测算法[J]. 计算机科学与探索, 2016, 10(12): 1763-1772.
[6] JYA B, SR A, PFB C. Mean-shift outlier detection and filtering[J]. Pattern Recognition, 2021, 115:101874.
[7] LI X, LV J, ZHANG Y. Outlier detection using structural scores in a high-dimensional space[J]. IEEE Transactions on Cybernetics, 2020, 50(5):2302-2310.
[8] RIAHI-MADVAR M, AZIRANI A A, NASERSHARIF B, et al. A new density-based subspace
selection method using mutual information for high dimensional outlier detection[J]. Knowledge-Based Systems, 2021, 216(2):106733.
[9] CABERO I, EPIFANIO I, PIROLA A, et al. Archetype analysis: A new subspace outlier detection approach[J]. Knowledge-Based Systems, 2021, 217:106830.
[10] 王智远, 陈榕,任崇广. 基于集成学习的云平台异常点检测[J]. 计算机工程与设计, 2020, 41(05): 1288-1294.
[11] 刘亚梅, 闫仁武. 一种基于密度聚类的分布式离群点检测算法[J]. 计算机与数字工程, 2019, 47(06):1320-1325.
[12] CHRISTY A, GANDHI G M, VAITHYASUBRAMANIAN S. Cluster based outlier detection algorithm for healthcare data[J]. Procedia Computer Science, 2015, 50: 209-215.
[13] 张丹丹, 游子毅, 郑建, 陈世国. 基于改进的局部异常因子检测的优化聚类算法[J]. 微电子学与计算机, 2019, 36(11): 43-48.
[14] 谢兄, 唐昱. 基于局部估计密度的局部离群点检测算法[J]. 小型微型计算机系统, 2020, 41(02): 387-392.
[15] 梁绍一, 韩德强. 基于邻域链的数据异常点检测[J]. 控制与决策, 2019, 34(07):1433-1440.
[16] BAI M, WANG X T, XIN J C, et al. An efficient algorithm for distributed density-based outlier detection on big data[J]. NeuroComputing, 2016, 181(C): 19-28.
[17] 胡淼, 王开军, 李海超,陈黎飞. 模糊树节点的随机森林与异常点检测[J]. 南京大学学报(自然科学), 2018, 54(06):1141-1151.
[18] 杨晓晖,张圣昌. 基于多粒度级联孤立森林算法的异常检测模型[J]. 通信学报, 2019, 40(08): 133-142.
[19] 李春生, 于澍, 刘小刚. 基于改进距离和的异常点检测算法研究[J]. 计算机技术与发展, 2019, 29(03): 97-100.
[20] ANUAR M, HUSSIN A G, YONG Z Z. Statistic for Outlier Detection in Circular Functional Relationship Model[M]//Proceedings of the Third International Conference on Computing, Mathematics and Statistics (iCMS2017), 2019.
[21] LIU F T, TING K M, ZHOU Z H. Isolation-Based Anomaly Detection[J]. ACM Transactions on Knowledge Discovery from Data, 2012, 6(1):1-39.
[22] 冀汶莉, 郗刘涛, 王斌. 面向不平衡数据集的煤矿监测系统异常数据识别方法[J]. 工矿自动化, 2020, 46(01): 18-25.
[23] 郭华. 质量过程控制在电信软件开发中的应用研究[D].杭州:浙江大学, 2006.

()
()

[1]	占永昆, 杨文飞, 张天柱. 基于关系建模的弱监督时序动作定位[J]. 中国科学技术大学学报, 2021, 51(10): 753-765.
[2]	梁启鹏, 朱巧慧, 康宇, 赵云波. 基于估计的无线网络化控制系统逼近控制策略[J]. 中国科学技术大学学报, 2021, 51(4): 327-334.
[3]	李慧聪, 傅孝明∗ . 基于局部等距嵌入的各向异性曲面网格生成[J]. 中国科学技术大学学报, 2020, 50(12): 1460-1471.
[4]	于俊，李雅洁，程礼磊，连顺，谭昶，丁德成，刘淇. 高教程序代码作业抄袭检测的方法研究与实践[J]. 中国科学技术大学学报, 2020, 50(8): 1048-1057.
[5]	张文静，班志杰. 基于全局的引文网络影响力最大化算法[J]. 中国科学技术大学学报, 2020, 50(8): 1058-1063.
[6]	任敏，许玲，王峰，吴超. 基于知识推荐的校园百科平台研究[J]. 中国科学技术大学学报, 2020, 50(8): 1072-1076.
[7]	孙磊，张义宁，薛艳芳，乔立山，张丽梅. 自适应功能连接网络学习及其在脑疾病识别中的应用[J]. 中国科学技术大学学报, 2020, 50(8): 1102-1109.
[8]	辛守宇，郑蕊蕊，周瑜，刘文鹏，贺建军. 训练过程中使用支持集信息的单样本学习算法[J]. 中国科学技术大学学报, 2020, 50(8): 1187-1192.
[9]	汪志华，康红梅. 使用三角网格上的样条求解带有非齐次边界的PDE[J]. 中国科学技术大学学报, 2020, 50(7): 901-905.
[10]	龚乐君，周佘海，程逸飞，高志宏，李华康. 单细胞RNA序列数据的PBMC相关细胞的识别[J]. 中国科学技术大学学报, 2020, 50(7): 1013-1018.
[11]	杜淑颖，杜鹏，丁世飞. 基于CNN的假冒域名识别方法研究[J]. 中国科学技术大学学报, 2020, 50(7): 1019-1025.
[12]	李永军，曹为华，凌强. 基于特征点轨迹的多目标跟踪算法[J]. 中国科学技术大学学报, 2020, 50(6): 726-732.
[13]	江琦，刘建宏，关勇，白浩波，刘刚，田扬超. 一种针对不完善数据的基于全变分约束的相干衍射算法[J]. 中国科学技术大学学报, 2020, 50(4): 418-427.
[14]	王旭辉，燕明叶，吴梦. 适用于等几何分析退化光滑插值曲面片构造[J]. 中国科学技术大学学报, 2020, 50(3): 335-342.
[15]	祁鹏，匡森. 基于抽样学习的开放量子系综时间最优控制[J]. 中国科学技术大学学报, 2019, 49(10): 775-780.

基于改进CycleGAN的合成孔径雷达图像仿真

A simulation of the synthetic aperture radar image based on improved CycleGAN

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价