《表2 各类方法对10类目标的识别性能》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《结合二维内蕴模函数和贝叶斯多任务学习的SAR目标识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

首先基于表1中的训练和测试集对所提方法在标准操作条件下的识别性能进行测试。本文采用图3所示的混淆矩阵描述所提方法对10类目标的分类结果。从图中可以看出，各类目标的正确识别率均达到98%以上，总体的平均识别率为99.32%。表2对比了各类方法的平均识别率以及识别单幅SAR图像的时间消耗。本文方法的识别率略高于A-ConvNets方法且两者显著优于SVM和SRC方法。标准操作条件下，测试样本与训练样本具有很高的相似性，因此各类方法均可以取得很高的识别率。本文方法通过多层次BIMF为原始图像提供了丰富的细节信息，在分类阶段又通过贝叶斯多任务学习考察了它们之间的相关性，因此识别过程可用的鉴别信息更为充分，有利于提高识别性能。表2中的时间消耗反映了不同方法识别单幅SAR图像的平均时间（包含训练和分类）。SVM和CNN均需要较长时间的离线训练以及参数寻优，因此最终平均得到的识别时间相对较高。与传统SRC相比，本文涉及的联合稀疏表示并没有显著增加时间消耗，这是因为贝叶斯多任务学习并不是独立考察各个稀疏表示问题，而是在相关性的约束下联合考察。标准操作条件下的识别结果表明了本文方法的优异性能。