“…由于仿真样本与 真实样本处于不同的数据域中, 直接将仿真样本作为扩充样本未必能够提升分类器的性能, Liu 等 [39] 指出在 B52 和 B707 两类 SAR 飞机识别问题中仿真样本的加入不但没有提升分类器的性能反而使得 识别率有所下降, 并将原因归结为 SAR 真实样本与仿真样本在图像域的差异. 针对这一问题, Liu 等 采用循环生成对抗网络 CycleGAN [40] 利用多角度 SAR 图像进行目标识别 [51,52] 是近年来的一项研究热点, Zhang 等 [53] 通过双向长短 期记忆 (long short-term memory, LSTM) 循环神经网络利用多角度图像对 SAR 目标进行分类, 方法的 原理图请参考文献 [53] 中的图 1, 首先选取具有不同方位角的目标图像组成多角度目标图像序列, 然 后采用 Gabor 滤波器提取特征并利用局部二值模式 (local binary pattern, LBP) 对特征进行编码, 接 下来用一个浅层的神经网络对特征进行降维, 最后利用双向循环神经网络将多角度信息进行融合从而 计算目标的类别. 实验结果表明, 方法在 MSTAR 数据集中的 10 分类问题上能够达到 99% 的识别率, 且具有更好的抗噪和抗混淆性能.…”