《表6 不同方法的混淆矩阵》

  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

《基于子孔径与全孔径特征学习的SAR多通道虚假目标鉴别》

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

表5为基于子孔径与全孔径特征学习方法（Sub-and Full-aperture Feature Learning，SFFL）和基于子视图相关的方法（Sub-Look Cross-correlation Feature+Support Vector Machine，SLCF+SVM）、子孔径特征的学习方法（Sub-aperture Feature Learning，SFL）、全孔径特征学习方法（Full-aperture Feature Learning，FFL）的对比结果，实验对比结果显示，仅使用子孔径特征比仅使用全孔径特征可以取得更好的结果。与SFL方法和FFL方法相比，SFFL方法的运行时间略有增加，但其在多通道虚假目标鉴别任务中可以获得最高的准确率。它们的混淆矩阵如表6所示，对于测试集的161个虚假目标，FFL方法识别出其中的126个，SFFL方法识别出156个，可见结合子孔径特征和全孔径特征的方法能够更有效的识别虚假目标。FFL和SFFL方法的准确率分别为83.69%和96.57%，表明子孔径特征的利用能显著的提升准确率。FFL和SFFL方法在原图中的分类结果如图10所示，红色圆圈代表多通道虚假目标，黄色方框代表真实目标，FFL方法将其中4个多通道虚假目标错分为真实目标，SFFL方法中9个多通道虚假目标与4个真实目标均被正确分类。