CN105139028A - 基于分层稀疏滤波卷积神经网络的sar图像分类方法 - Google Patents
基于分层稀疏滤波卷积神经网络的sar图像分类方法 Download PDFInfo
- Publication number
- CN105139028A CN105139028A CN201510497374.3A CN201510497374A CN105139028A CN 105139028 A CN105139028 A CN 105139028A CN 201510497374 A CN201510497374 A CN 201510497374A CN 105139028 A CN105139028 A CN 105139028A
- Authority
- CN
- China
- Prior art keywords
- sparse
- training
- ground floor
- layer
- dictionary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分层稀疏滤波卷积神经网络的SAR图像分类方法。其步骤为:1.划分SAR数据库样本集为训练数据集和测试样本集;2.从训练数据集学习第一层稀疏字典;3.利用第一层稀疏字典提取第一层稀疏特征图并进行非线性变换;3.从第一层非线性变换特征图学习第二层稀疏字典;4.利用第二层稀疏字典提取第二层稀疏特征图并进行非线性变换;5.级联第一,二层非线性变换特征训练SVM分类器;6.利用第一,二层稀疏字典抽取测试集的稀疏特征,用SVM分类器进行分类。本发明解决了现有技术设计复杂,普适性和抗噪性差,分类精度低的问题,可用目标识别。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种SAR图像分类方法,可用于目标识别。
背景技术
合成孔径雷达SAR是一种微波成像雷达,具有良好的分辨率,不仅可以详细地、准确地观测地形、地貌,获取地球表面信息,还可以透过地表和自然植被收集地表以下的信息。SAR是从空间对地观测的一种有效手段,能够生成地面目标区域或地域的高分辨率地图,提供类似于光学照片的雷达图像,已广泛应用于军事以及其它对地观测领域。
合成孔径雷达的概念是1951年6月由美国Goodyear宇航公司的CarlWiley首次提出的。SAR是一种主动式微波成像传感器,它利用脉冲压缩技术提高距离分辨率,利用合成孔径原理提高方位分辨率,从而获得大面积的高分辨率雷达图像,具有全天时、全天候、多波段、多极化、可变侧视角及高分辨率等优点,甚至在恶劣的环境下也能以较高的分辨率提供详细的地面测绘数据和图像。我国从20世纪70年代中期开始SAR***的研制工作,先后取得了一定的研究成果,1979年9月,中科院电子所研制的机载SAR原理样机试飞成功,获得我国第一批SAR图像。我国第一颗SAR卫星已跻身国际先进行列,目前已进入实际应用阶段,并在国土测绘、资源普查、城市规划、抢险救灾等领域发挥了重要的作用。
SAR技术具有如下特有的优势:
1)SAR成像不依赖光照,而是靠自己发射的微波,能够穿透云、雨、雪和烟雾,具有全天时、全天候成像能力,这是SAR遥感最突出的优势。
2)微波对地表有一定的穿透能力。
3)对金属目标及地表纹理特征有较强的探测能力。
现有的经典的SAR图像分类方法主要有以下两类:
(一)从特征入手。根据全极化SAR数据的特点,根据其数据分布特性或散射机理提取包含极化信息的特征,设计分类方法以完成地物分类。该类算法大概可以细分为3种:一种是基于极化SAR统计特性的分类方法;第二种是基于极化SAR散射机理的分类方法;第三种是结合极化SAR统计分布和散射机理的分类方法。
(二)从处理方法入手。在已有的特征集上,引入更有效的处理方法,从而更充分的利用现有的分类信息。SVM,Adaboost以及神经网络等方法均属于此类,目前它们在极化SAR分类解译方面都取得了大量优秀的研究成果。
但上述方法与光学图像相比,由于SAR图像视觉可读性较差,使得SAR图像信息处理非常困难。另一方面,随着SAR应用的日趋广泛以及技术的不断成熟,其数据信息也在急剧增长,SAR所收集的数据量之大已经远远超出了人工作出迅速判断的极限。这些因素都限制了传统的图像分类技术如基于模板匹配、基于模型和基于核的分类技术在SAR图像分类中的应用。目前SAR图像识别技术主要有三个问题亟需解决:(1)由于SAR图像中存在大量的相干斑噪声,采用常用的特征提取方法很难克服噪声的影响,分类精度不高;(2)由于SAR图像中同类地物的场景复杂,传统的特征提取方法在设计上费时费力,且具有较大的局限性,不具备自适应性。(3)由于对SAR图像地物的标注过程比较繁琐费力,因此需在标记样本较少的情况下进行分类,而传统的分类方法在这种情况下,分类精度较低,分类结果不稳定。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于分层稀疏滤波卷积神经网络的SAR图像分类方法,利用深度神经网络提取SAR图像局部和全局特征,提高SAR图像的分类精度。
本发明的技术方案是:通过逐层训练适应于SAR图像的稀疏滤波器,构建多层稀疏滤波卷积神经网络,用于提取SAR图像局部和全局的特征,进而训练分类器,达到对SAR图像分类的目的。其实现步骤包括如下:
(1)将SAR图像数据库样本集划分为训练数据集x和测试样本集y;
(2)训练SVM分类器:
2a)从训练数据集x中随机抽取m块尺寸d×d的训练图像块,并进行全局对比度归一化,构成训练图像块集
2b)利用训练图像块集X训练第一层稀疏字典其中N表示X中每个图像块的特征数目;
2c)利用第一层的稀疏字典D1求训练集x的第一层稀疏特征图:Z∈RN×(u-d+1)×(v-d+1),其中u,v分别表示图片的高度和宽度;
2d)对第一层稀疏特征图Z进行非线性变换,得到特征图:C1∈RN×(u-d+1)/w×(v-d+1)/w,其中w表示池化的比例;
2e)从训练集x的特征图C1上随机抽取m2块尺寸N×d2×d2的训练图像块,构成训练集
2f)利用训练集X2采用与2b)相同的方法,训练第二层稀疏字典:其中N2表示X2中每个图像块的特征数量;
2g)利用第二层的稀疏字典D2采用与2c)相同的方法,求训练集x的第二层稀疏特征图
2h)对第二层稀疏特征图进行与2d)相同的非线性变换,得到非线性变换特征图C2;
2i)级联C1和C2构成一维向量c,训练线性核SVM分类器;
(3)抽取测试集y的特征并进行分类,得到分类结果:
3a)对测试集y利用训练阶段获得的第一层稀疏字典D1和第二层稀疏字典D2,采用与训练集x相同的非线性变换方法抽取测试集第一层和第二层的非线性变换特征和级联和构成一维向量
3b)将一维向量输入到SVM分类器进行分类,得到最终分类结果。
与现有技术相比,本发明具有以下优点:
本发明通过逐层无监督的训练获得适应SAR图像特征分布的稀疏滤波器,相比费时费力通过手工设计的特征提取方法如,SIFT,HOG等更具有普适性,能够很好的克服相干斑噪声的影响,同时通过提取SAR图像深层的特征,在标记样本很少的情况下,仍能达到很高分类精度和非常稳定的分类结果。
附图说明
图1是本发明的实现流程图;
图2是本发明仿真使用的SAR图像。
具体实施方式
参照图1,本发明的实现步骤如下。
步骤1:将SAR图像数据库样本集划分为训练数据集x和测试样本集y。
首先,在包含6类SAR图像数据库样本集的每类样本集中各取大小为256×256的1000张图片,然后,再从每一类图片中随机抽取200张构成训练集x,剩余作为测试集y。
步骤2:从训练数据集x中随机抽取m块尺寸d×d的训练图像块,并进行全局对比度归一化,构成训练图像块集
步骤3:利用训练图像块集X训练第一层稀疏字典。
3a)将训练图像块集X的特征矩阵表示为:
其中表示字典,N表示每个图像块的特征数量,ε是极小的常数,F∈Rm×N表示特征矩阵。矩阵F第i行的值对应第i个图像块的特征值,第j列的值表示不同图像块的第j类特征;
3b)根据特征矩阵F求稀疏字典D1:
常用的字典学习方法有稀疏编码算法,稀疏自编码算法,稀疏RBM算法,OMP正交匹配追踪算法,ICA独立成分分析算法,稀疏滤波算法等,本实例中采用但不局限于稀疏滤波算法求稀疏字典。即:
首先,按照公式对特征矩阵F的每一列进行归一化处理,再对每一行进行归一化处理,得到归一化后的特征矩阵F2;
然后,对归一化后的特征矩阵F2进行稀疏约束,求得第一层稀疏字典:
步骤4:利用第一层的稀疏字典D1求训练集x的第一层稀疏特征图Z。
利用稀疏字典求解整幅输入图片的稀疏特征图的常用方法有:随机抽取处理合成法,重叠卷积算法和分片卷积算法,本实例中采用但不局限于重叠卷积算法,其步骤如下:
4a)求解输入图片的第i张稀疏特征图Zi:
其中Ki∈Rd×d表示第i个卷积核,i=0~N,表示卷积操作,I∈Ru×v表示训练集x的一张图片,u×v为图片尺寸,卷积核Ki由稀疏字典D1的第i列变换得到,Zi∈R(u-d+1)×(v-d+1);
4b)利用N个不同的卷积核Ki对输入图片进行卷积操作,得到第一层稀疏特征图:Z∈RN×(u-d+1)×(v-d+1)。
步骤5:对第一层稀疏特征图进行非线性变换。
非线性变换包括稀疏特征图归一化和池化操作,常用的归一化方法有局部响应归一化法和局部对比度归一化法,常用的池化操作有平均池化,最大池化和随机池化,本实例中采用但不局限于局部响应归一化法和最大池化。其步骤如下:
5a)求解第i张局部响应归一化特征图Bi在(x,y)位置上的值
其中表示第i张稀疏特征图Zi在(x,y)位置上的值,α,β,c分别表示不同数值的常量,n表示与第i张稀疏特征图相邻的稀疏特征图数目;
5b)对第i张稀疏特征图Zi中所有坐标上的值进行局部响应归一化操作,得到第i张稀疏特征图Zi的局部响应归一化特征图Bi:
5c)对N张稀疏特征图采用5a)-5b)的操作,得到第一层局部响应归一化特征图:B=[B1,...,BN]∈RN×(u-d+1)×(v-d+1);
5d)对第一层局部响应归一化特征图B进行最大池化操作,得到第一层非线性变换特征图C1∈RN×(u-d+1)/w×(v-d+1)/w,其中w表示池化比例,w=2~10。
步骤6:从非线性变换特征图C1上随机抽取m2块尺寸为N×d2×d2的训练图像块,构成训练集并利用训练集X2采用与步骤3相同的方法,训练第二层稀疏字典其中N2表示X2中每个图像块的特征数量。
步骤7:利用第二层的稀疏字典D2,求训练集x的第二层稀疏特征图
7a)求解第一层非线性变换特征图C1的第s张稀疏特征图
其中表示第s个卷积核,s=0~N2,卷积核Ks由稀疏字典D2的第s列变换得到,
7b)利用N2个不同的卷积核Ks对输入图片进行卷积操作,得到第二层稀疏特征图:
步骤8:对第二层稀疏特征图进行非线性变换,得到非线性变换特征图C2。
8a)求解第s张局部响应归一化特征图在(x,y)位置上的值
其中表示第s张稀疏特征图在(x,y)位置上的值,α2,β2,c2分别表示不同数值的常量,n2表示与第s张稀疏特征图相邻的稀疏特征图数目;
8b)对第s张稀疏特征图中所有坐标上的值进行局部响应归一化操作,得到第s张稀疏特征图的局部响应归一化特征图
8c)对N2张稀疏特征图采用8a)-8b)的操作,得到第二层局部响应归一化特征图:
8d)对第二层局部响应归一化特征图进行最大池化操作,得到第二层非线性变换特征图 其中w2表示池化比例,w2=2~10。
步骤9:训练分类器。
常用的分类器有K近邻分类器,线性回归分类器,多层感知器,DBN深信网络和SVM分类器,本实例中采用但不局限于线性核SVM分类器。即:级联C1和C2构成一维向量c,训练线性核SVM分类器。
步骤10:抽取测试集y的特征并进行分类,得到分类结果。
10a)对测试集y利用训练阶段获得的第一层稀疏字典D1和第二层稀疏字典D2,采用与训练集x相同的非线性变换方法抽取测试集第一层和第二层的非线性变换特征和级联和构成一维向量
10b)将一维向量输入到线性核SVM分类器进行分类,得到最终分类结果。
本发明的效果可以通过以下仿真实验进一步说明。
1.仿真实验条件。
本实验采用包含六种地貌特征的SAR图像数据集作为实验数据,采用软件SPYDER2.3.4作为仿真工具,计算机配置为CPU:IntelCorei5/2.27Hz,GPU:GT645M/2G,RAM:8G。
SAR图像数据集包含六类:飞机场跑道,桥梁,城市,农田,山脉,海洋,各1000张图片,每张图片尺寸为256×256,如图2所示,其中图2(a)表示城市,图2(b)表示机场,图2(c)表示农田,图2(d)表示桥梁,图2(d)表示山脉,图2(f)表示海洋。
仿真使用的方法为本发明方法和现有三种方法,即HOG,SIFT和共生灰度矩阵算法。
2.仿真实验内容
在图2所给的SAR数据上用本发明方法和现有三种方法在不同标记样本个数下进行分类,结果如表1。
表格的第二列表示在每一类标记样本数量不同的情况下,HOG算法对剩余测试样本分类的精度。表格的第三列表示在每一类标记样本数量不同的情况下,SIFT算法对剩余测试样本分类的精度。表格的第四列表示在每一类标记样本数量不同的情况下,共生灰度矩阵算法对剩余测试样本分类的精度。表格的第五列表示在每一类标记样本数量不同的情况下,本发明方法对剩余测试样本分类的精度。
表1:本发明与现有方法在不同标记样本个数下的对比结果
表格1可以看出,相比于传统方法,本发明在只有少量标记样本的情况下,就可以获取较好的分类效果,证明了本发明的有效性。
Claims (5)
1.一种基于分层稀疏滤波卷积神经网络的SAR图像分类方法,包括以下步骤:
(1)将SAR图像数据库样本集划分为训练数据集x和测试样本集y;
(2)训练SVM分类器:
2a)从训练数据集x中随机抽取m块尺寸d×d的训练图像块,并进行全局对比度归一化,构成训练图像块集
2b)利用训练图像块集X训练第一层稀疏字典其中N表示X中每个图像块的特征数目;
2c)利用第一层的稀疏字典D1求训练集x的第一层稀疏特征图:Z∈RN×(u-d+1)×(v-d+1),其中u,v分别表示图片的高度和宽度;
2d)对第一层稀疏特征图Z进行非线性变换,得到特征图:C1∈RN×(u-d+1)/w×(v-d+1)/w,其中w表示池化的比例;
2e)从训练集x的特征图C1上随机抽取m2块尺寸N×d2×d2的训练图像块,构成训练集
2f)利用训练集X2采用与2b)相同的方法,训练第二层稀疏字典:其中N2表示X2中每个图像块的特征数量;
2g)利用第二层的稀疏字典D2采用与2c)相同的方法,求训练集x的第二层稀疏特征图
2h)对第二层稀疏特征图进行与2d)相同的非线性变换,得到非线性变换特征图C2;
2i)级联C1和C2构成一维向量c,训练线性核SVM分类器;
(3)抽取测试集y的特征并进行分类,得到分类结果:
3a)对测试集y利用训练阶段获得的第一层稀疏字典D1和第二层稀疏字典D2,采用与训练集x相同的非线性变换方法抽取测试集第一层和第二层的非线性变换特征和级联和构成一维向量
3b)将一维向量输入到SVM分类器进行分类,得到最终分类结果。
2.根据权利要求1所述的基于分层稀疏滤波卷积神经网络的SAR图像分类方法,其中,所述步骤(1)的将SAR图像数据库样本集划分为训练数据集x和测试样本集y,是先在包含6类SAR图像数据库样本集的每类样本集中各取大小为256×256的1000张图片,再从每一类图片中随机抽取200张构成训练集x,剩余作为测试集y。
3.根据权利要求1所述的基于分层稀疏滤波卷积神经网络的SAR图像分类方法,其中,所述步骤2b)中利用训练图像块集X训练第一层稀疏字典D1,按如下步骤进行:
2b1)将训练图像块集X的特征矩阵F表示为:
其中表示字典,N表示每个图像块的特征数量,ε是极小的常数,F∈Rm×N表示特征矩阵,且F的第i行值对应第i个图像块的特征值,第j列值表示不同图像块的第j类特征;
2b2)对特征矩阵F进行稀疏约束,求第一层稀疏字典D1:
首先,按照公式对特征矩阵F的每一列进行归一化处理,再对每一行进行归一化处理,得到归一化后的特征矩阵F2;
最后,对归一化后的特征矩阵F2进行稀疏约束,求得第一层稀疏字典:
4.根据权利要求1所述的基于分层稀疏滤波卷积神经网络的SAR图像分类方法,其中,所述步骤2c)中利用第一层的稀疏字典D1求训练集x的第一层稀疏特征图Z,按如下步骤进行:
2c1)求解输入图片的第i张稀疏特征图Zi:
其中Ki∈Rd×d表示第i个卷积核,i=0~N,表示卷积操作,I∈Ru×v表示训练集x的一张图片,u×v为图片尺寸,卷积核Ki由稀疏字典D1的第i列变换得到,Zi∈R(u-d+1)×(v-d+1);
2c2)利用N个不同的卷积核Ki对输入图片进行卷积操作,得到第一层稀疏特征图:Z∈RN×(u-d+1)×(v-d+1)。
5.根据权利要求1所述的基于分层稀疏滤波卷积神经网络的SAR图像分类方法,其中,所述步骤2d)中对第一层稀疏特征图Z进行非线性变换,得到非线性特征图C1,按如下步骤进行:
2d1)求解第i张局部响应归一化特征图Bi在(x,y)位置上的值
其中表示第i张稀疏特征图Zi在(x,y)位置上的值,α,β,c分别表示不同数值的常量,n表示与第i张稀疏特征图相邻的稀疏特征图数目;
2d2)对第i张稀疏特征图Zi中所有坐标上的值进行局部响应归一化操作,得到第i张稀疏特征图Zi的局部响应归一化特征图:
2d3)对N张稀疏特征图采用2d1)-2d2)的操作,得到第一层局部响应归一化特征图:B=[B1,...,BN]∈RN×(u-d+1)×(v-d+1);
2d4)对第一层局部响应归一化特征图B进行最大池化操作,得到第一层非线性变换特征图C1∈RN×(u-d+1)/w×(v-d+1)/w,其中w表示池化比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510497374.3A CN105139028B (zh) | 2015-08-13 | 2015-08-13 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510497374.3A CN105139028B (zh) | 2015-08-13 | 2015-08-13 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139028A true CN105139028A (zh) | 2015-12-09 |
CN105139028B CN105139028B (zh) | 2018-05-25 |
Family
ID=54724371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510497374.3A Active CN105139028B (zh) | 2015-08-13 | 2015-08-13 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139028B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718957A (zh) * | 2016-01-26 | 2016-06-29 | 西安电子科技大学 | 非下采样轮廓波卷积神经网络的极化sar图像分类方法 |
CN105868793A (zh) * | 2016-04-18 | 2016-08-17 | 西安电子科技大学 | 基于多尺度深度滤波器的极化sar图像分类方法 |
CN105913076A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于深度方向波网络的极化sar图像分类方法 |
CN105913083A (zh) * | 2016-04-08 | 2016-08-31 | 西安电子科技大学 | 基于稠密sar-sift和稀疏编码的sar分类方法 |
CN105930876A (zh) * | 2016-05-13 | 2016-09-07 | 华侨大学 | 一种基于逆向训练的植物图像集分类方法 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN106127230A (zh) * | 2016-06-16 | 2016-11-16 | 上海海事大学 | 基于人类视觉感知的图像识别方法 |
CN106203444A (zh) * | 2016-07-01 | 2016-12-07 | 西安电子科技大学 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
CN106295516A (zh) * | 2016-07-25 | 2017-01-04 | 天津大学 | 基于图像的雾霾pm2.5值估计方法 |
CN106408018A (zh) * | 2016-09-13 | 2017-02-15 | 大连理工大学 | 一种基于幅频特征稀疏滤波的图像分类方法 |
CN106407986A (zh) * | 2016-08-29 | 2017-02-15 | 电子科技大学 | 一种基于深度模型的合成孔径雷达图像目标识别方法 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN106934455A (zh) * | 2017-02-14 | 2017-07-07 | 华中科技大学 | 基于cnn的遥感影像光学适配结构选取方法及*** |
CN107358203A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 |
CN107977683A (zh) * | 2017-12-20 | 2018-05-01 | 南京大学 | 基于卷积特征提取和机器学习的联合sar目标识别方法 |
CN108597534A (zh) * | 2018-04-09 | 2018-09-28 | 中国人民解放军国防科技大学 | 基于卷积框架的语音信号稀疏表示方法 |
CN108665484A (zh) * | 2018-05-22 | 2018-10-16 | 国网山东省电力公司电力科学研究院 | 一种基于深度学习的危险源识别方法与*** |
CN109657704A (zh) * | 2018-11-27 | 2019-04-19 | 福建亿榕信息技术有限公司 | 一种基于稀疏融合的核化场景特征提取方法 |
CN109685119A (zh) * | 2018-12-07 | 2019-04-26 | 中国人民解放军陆军工程大学 | 一种随机最大池化深度卷积神经网络噪声图形分类方法 |
CN109886345A (zh) * | 2019-02-27 | 2019-06-14 | 清华大学 | 基于关系推理的自监督学习模型训练方法和装置 |
CN109919242A (zh) * | 2019-03-18 | 2019-06-21 | 长沙理工大学 | 一种基于深度特征和联合稀疏的图像目标识别方法 |
CN110110618A (zh) * | 2019-04-22 | 2019-08-09 | 电子科技大学 | 一种基于pca和全局对比度的sar目标检测方法 |
CN110288002A (zh) * | 2019-05-29 | 2019-09-27 | 江苏大学 | 一种基于稀疏正交神经网络的图像分类方法 |
CN110726992A (zh) * | 2019-10-25 | 2020-01-24 | 中国人民解放军国防科技大学 | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 |
CN111382792A (zh) * | 2020-03-09 | 2020-07-07 | 兰州理工大学 | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 |
GB2585487A (en) * | 2019-05-21 | 2021-01-13 | Headlight Ai Ltd | Identifying at least one object within an image |
US11176439B2 (en) | 2017-12-01 | 2021-11-16 | International Business Machines Corporation | Convolutional neural network with sparse and complementary kernels |
CN113989528A (zh) * | 2021-12-08 | 2022-01-28 | 南京航空航天大学 | 基于深度联合稀疏-协同表示的高光谱图像特征表示方法 |
CN114519384A (zh) * | 2022-01-07 | 2022-05-20 | 南京航空航天大学 | 一种基于稀疏sar幅度-相位图像数据集的目标分类方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642447B (zh) * | 2021-08-09 | 2022-03-08 | 杭州弈胜科技有限公司 | 卷积神经网络级联的监控图像车辆检测方法及其*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200224A (zh) * | 2014-08-28 | 2014-12-10 | 西北工业大学 | 基于深度卷积神经网络的无价值图像去除方法 |
-
2015
- 2015-08-13 CN CN201510497374.3A patent/CN105139028B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200224A (zh) * | 2014-08-28 | 2014-12-10 | 西北工业大学 | 基于深度卷积神经网络的无价值图像去除方法 |
Non-Patent Citations (2)
Title |
---|
S CHEN等: "SAR target recognition based on deep learning", 《IEEE》 * |
李帅: "一种深度神经网络SAR遮挡目标识别方法", 《IEEE》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718957A (zh) * | 2016-01-26 | 2016-06-29 | 西安电子科技大学 | 非下采样轮廓波卷积神经网络的极化sar图像分类方法 |
CN105913076A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于深度方向波网络的极化sar图像分类方法 |
CN105913083A (zh) * | 2016-04-08 | 2016-08-31 | 西安电子科技大学 | 基于稠密sar-sift和稀疏编码的sar分类方法 |
CN105868793A (zh) * | 2016-04-18 | 2016-08-17 | 西安电子科技大学 | 基于多尺度深度滤波器的极化sar图像分类方法 |
CN105868793B (zh) * | 2016-04-18 | 2019-04-19 | 西安电子科技大学 | 基于多尺度深度滤波器的极化sar图像分类方法 |
CN106017876A (zh) * | 2016-05-11 | 2016-10-12 | 西安交通大学 | 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法 |
CN105930876A (zh) * | 2016-05-13 | 2016-09-07 | 华侨大学 | 一种基于逆向训练的植物图像集分类方法 |
CN106067042B (zh) * | 2016-06-13 | 2019-02-15 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN106127230A (zh) * | 2016-06-16 | 2016-11-16 | 上海海事大学 | 基于人类视觉感知的图像识别方法 |
CN106127230B (zh) * | 2016-06-16 | 2019-10-01 | 上海海事大学 | 基于人类视觉感知的图像识别方法 |
CN106203444B (zh) * | 2016-07-01 | 2019-02-19 | 西安电子科技大学 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
CN106203444A (zh) * | 2016-07-01 | 2016-12-07 | 西安电子科技大学 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
CN106295516A (zh) * | 2016-07-25 | 2017-01-04 | 天津大学 | 基于图像的雾霾pm2.5值估计方法 |
CN106407986A (zh) * | 2016-08-29 | 2017-02-15 | 电子科技大学 | 一种基于深度模型的合成孔径雷达图像目标识别方法 |
CN106407986B (zh) * | 2016-08-29 | 2019-07-19 | 电子科技大学 | 一种基于深度模型的合成孔径雷达图像目标识别方法 |
CN106408018B (zh) * | 2016-09-13 | 2019-05-14 | 大连理工大学 | 一种基于幅频特征稀疏滤波的图像分类方法 |
CN106408018A (zh) * | 2016-09-13 | 2017-02-15 | 大连理工大学 | 一种基于幅频特征稀疏滤波的图像分类方法 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN106934455A (zh) * | 2017-02-14 | 2017-07-07 | 华中科技大学 | 基于cnn的遥感影像光学适配结构选取方法及*** |
CN106934455B (zh) * | 2017-02-14 | 2019-09-06 | 华中科技大学 | 基于cnn的遥感影像光学适配结构选取方法及*** |
CN107358203B (zh) * | 2017-07-13 | 2019-07-23 | 西安电子科技大学 | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 |
CN107358203A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于深度卷积阶梯网络的高分辨sar图像分类方法 |
US11176439B2 (en) | 2017-12-01 | 2021-11-16 | International Business Machines Corporation | Convolutional neural network with sparse and complementary kernels |
CN107977683A (zh) * | 2017-12-20 | 2018-05-01 | 南京大学 | 基于卷积特征提取和机器学习的联合sar目标识别方法 |
CN107977683B (zh) * | 2017-12-20 | 2021-05-18 | 南京大学 | 基于卷积特征提取和机器学习的联合sar目标识别方法 |
CN108597534A (zh) * | 2018-04-09 | 2018-09-28 | 中国人民解放军国防科技大学 | 基于卷积框架的语音信号稀疏表示方法 |
CN108597534B (zh) * | 2018-04-09 | 2021-05-14 | 中国人民解放军国防科技大学 | 基于卷积框架的语音信号稀疏表示方法 |
CN108665484A (zh) * | 2018-05-22 | 2018-10-16 | 国网山东省电力公司电力科学研究院 | 一种基于深度学习的危险源识别方法与*** |
CN109657704B (zh) * | 2018-11-27 | 2022-11-29 | 福建亿榕信息技术有限公司 | 一种基于稀疏融合的核化场景特征提取方法 |
CN109657704A (zh) * | 2018-11-27 | 2019-04-19 | 福建亿榕信息技术有限公司 | 一种基于稀疏融合的核化场景特征提取方法 |
CN109685119A (zh) * | 2018-12-07 | 2019-04-26 | 中国人民解放军陆军工程大学 | 一种随机最大池化深度卷积神经网络噪声图形分类方法 |
CN109685119B (zh) * | 2018-12-07 | 2023-05-23 | 中国人民解放军陆军工程大学 | 一种随机最大池化深度卷积神经网络噪声图形分类方法 |
CN109886345B (zh) * | 2019-02-27 | 2020-11-13 | 清华大学 | 基于关系推理的自监督学习模型训练方法和装置 |
CN109886345A (zh) * | 2019-02-27 | 2019-06-14 | 清华大学 | 基于关系推理的自监督学习模型训练方法和装置 |
CN109919242A (zh) * | 2019-03-18 | 2019-06-21 | 长沙理工大学 | 一种基于深度特征和联合稀疏的图像目标识别方法 |
CN110110618A (zh) * | 2019-04-22 | 2019-08-09 | 电子科技大学 | 一种基于pca和全局对比度的sar目标检测方法 |
GB2585487A (en) * | 2019-05-21 | 2021-01-13 | Headlight Ai Ltd | Identifying at least one object within an image |
CN110288002A (zh) * | 2019-05-29 | 2019-09-27 | 江苏大学 | 一种基于稀疏正交神经网络的图像分类方法 |
CN110726992B (zh) * | 2019-10-25 | 2021-05-25 | 中国人民解放军国防科技大学 | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 |
CN110726992A (zh) * | 2019-10-25 | 2020-01-24 | 中国人民解放军国防科技大学 | 基于结构稀疏和熵联合约束的sa-isar自聚焦法 |
CN111382792B (zh) * | 2020-03-09 | 2022-06-14 | 兰州理工大学 | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 |
CN111382792A (zh) * | 2020-03-09 | 2020-07-07 | 兰州理工大学 | 一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法 |
CN113989528A (zh) * | 2021-12-08 | 2022-01-28 | 南京航空航天大学 | 基于深度联合稀疏-协同表示的高光谱图像特征表示方法 |
CN114519384A (zh) * | 2022-01-07 | 2022-05-20 | 南京航空航天大学 | 一种基于稀疏sar幅度-相位图像数据集的目标分类方法 |
CN114519384B (zh) * | 2022-01-07 | 2024-04-30 | 南京航空航天大学 | 一种基于稀疏sar幅度-相位图像数据集的目标分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105139028B (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139028A (zh) | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 | |
Zhang et al. | Hyperspectral unmixing via deep convolutional neural networks | |
CN106815601B (zh) | 基于递归神经网络的高光谱图像分类方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN106529508B (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
CN102208034B (zh) | 基于半监督维数约减的高光谱图像分类方法 | |
CN112446388A (zh) | 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及*** | |
CN102651073B (zh) | 基于稀疏动态集成选择的sar图像地物分类方法 | |
CN110516596A (zh) | 基于Octave卷积的空谱注意力高光谱图像分类方法 | |
CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及*** | |
CN108460391B (zh) | 基于生成对抗网络的高光谱图像无监督特征提取方法 | |
CN103955702A (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN106203523A (zh) | 基于梯度提升决策树半监督算法融合的高光谱图像分类 | |
CN107145830A (zh) | 基于空间信息增强和深度信念网络的高光谱图像分类方法 | |
CN107239751A (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN104778476B (zh) | 一种图像分类方法 | |
CN104182767B (zh) | 主动学习和邻域信息相结合的高光谱图像分类方法 | |
CN104680173A (zh) | 一种遥感图像场景分类方法 | |
CN102999761B (zh) | 基于Cloude分解和K-wishart分布的极化SAR图像分类方法 | |
CN107895139A (zh) | 一种基于多特征融合的sar图像目标识别方法 | |
CN102364497A (zh) | 一种应用于电子导盲***的图像语义提取方法 | |
CN105894030B (zh) | 基于分层多特征融合的高分辨率遥感图像场景分类方法 | |
CN107944470A (zh) | 基于轮廓波fcn‑crf的sar图像分类方法 | |
CN109359525A (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |