一、前言

此示例演示如何创建和训练一个简单的卷积神经网络，以使用深度学习对 SAR 目标进行分类。

深度学习是一种强大的技术，可用于训练健壮的分类器。它已经在从图像分析到自然语言处理的不同领域显示出其有效性。这些发展对SAR数据分析和SAR技术具有巨大的潜力，正在慢慢实现。SAR相关算法的一项主要任务一直是目标检测和分类，称为自动目标识别（ATR）。在这里，我们使用一个简单的卷积神经网络来使用深度学习工具箱™对SAR目标进行训练和分类。

深度学习工具箱提供了一个框架，用于设计和实现具有算法、预训练模型和应用程序的深度神经网络。

此示例演示如何：

下载数据集。

加载和分析图像数据。

数据的拆分和扩充。

定义网络体系结构。

训练网络。

预测新数据的标签并计算分类精度。

为了说明此工作流程，我们将使用空军研究实验室发布的移动和静止目标获取和识别（MSTAR）混合目标数据集 [1]。我们的目标是开发一个模型，根据SAR图像对地面目标进行分类。

二、下载数据集

此示例使用的 MSTAR 目标数据集包含来自 8688 个地面车辆的 7 个 SAR 图像和一个校准目标。数据是在聚光灯模式下使用X波段传感器收集的，分辨率为1英尺。我们使用的目标类型是BMP2（步兵战车），BTR70（装甲车）和T72（坦克）。图像以15度和17度两种不同的俯角拍摄，具有190~300种不同的宽高比版本，是360度以上的全纵横覆盖。这三类目标及其复制目标的光学图像和SAR图像如下图所示。

使用此示例末尾定义的帮助程序函数从给定 URL 下载数据集。数据集的大小为 28MiB。

根据您的互联网连接，下载过程可能需要一些时间。代码暂停 MATLAB® 执行，直到下载过程完成。或者，您可以使用 Web 浏览器将数据集下载到本地磁盘并提取文件。如果这样做，请将代码中的 outputFolder 变量更改为下载文件的位置。

三、加载和分析图像数据

将 SAR 图像数据作为图像数据存储加载。根据文件夹名称自动标记图像，并将数据存储为对象。图像数据存储使您能够存储大型图像数据（包括内存中不适合的数据），并在卷积神经网络训练期间高效读取成批的图像。

MSTAR数据集包含来自7辆地面车辆的SAR返回和一个校准目标。这8个目标的光学图像和SAR图像如下所示

让我们通过随机显示一些芯片图像来探索数据存储。

该变量现在包含与每个图像关联的图像和类别标签。标签是从图像文件的文件夹名称自动分配的。用于汇总每个类别的图像数。

首先，指定网络输入大小。选择网络输入大小时，请考虑系统的内存约束和训练中产生的计算成本。

四、创建用于训练、验证和测试的数据存储对象

将数据分为训练集、验证集和测试集。我们将使用 80% 的数据集进行训练，10% 用于训练期间的模型验证，10% 用于训练后的测试。将数据存储拆分为三个新数据存储：、和。在这样做时，它会考虑不同类的不同图像数量，以便训练、验证和测试集具有每个类的相同比例。

五、数据增强

数据存储中的映像大小不一致。要使用我们的网络训练图像，图像大小必须与网络输入层的大小相匹配。我们可以使用，而不是自己调整图像大小，它将在将图像传递到网络之前自动调整图像大小。还可用于将转换（如旋转、反射或缩放）应用于输入图像。这对于防止网络过度拟合我们的数据很有用。

六、定义网络架构

定义卷积神经网络架构。定义网络结构后，使用训练选项（深度学习工具箱）指定训练选项。使用具有动量的随机梯度下降（SGDM）训练网络，初始学习率为 0.001。我们将最大纪元数设置为 3。epoch 是整个训练数据集的完整训练周期。通过指定验证数据和验证频率来监控训练期间的网络准确性。每个纪元随机播放数据。该软件根据训练数据训练网络，并在训练期间定期计算验证数据的精度。验证数据不用于更新网络权重。我们设置了一个临时位置。这样可以在训练过程中节省部分训练的检测器。如果训练中断，例如停电或系统故障，您可以从保存的检查点恢复训练。

使用、训练数据和训练选项定义的体系结构训练网络。默认情况下，如果 GPU 可用，则使用 GPU（需要并行计算工具箱™和具有 3.0 或更高版本的启用 CUDA 的 GPU®）。有关支持的计算功能的信息，请参阅按版本划分的 GPU 支持（并行计算工具箱）。否则，它将使用 CPU。还可以使用的名称-值对参数指定执行环境。

训练进度图显示小批量损失和准确性以及验证损失和准确性。

训练过程如上图所示。上图中的深蓝色线表示模型对训练数据的准确性，而黑色虚线表示模型对验证数据的准确性（与训练分开）。验证准确率超过97%，这对于一个八类分类器来说是相当不错的。此外，请注意，验证准确性和训练准确性相似。这表明我们有一个健壮的分类器。当训练精度远高于验证精度时，模型过度拟合（即记忆）训练数据。