CN109063750B - 基于cnn和svm决策融合的sar目标分类方法 - Google Patents
基于cnn和svm决策融合的sar目标分类方法 Download PDFInfo
- Publication number
- CN109063750B CN109063750B CN201810781174.4A CN201810781174A CN109063750B CN 109063750 B CN109063750 B CN 109063750B CN 201810781174 A CN201810781174 A CN 201810781174A CN 109063750 B CN109063750 B CN 109063750B
- Authority
- CN
- China
- Prior art keywords
- layer
- matrix
- column vector
- size
- update
- 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.)
- Active
Links
Images
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于CNN和SVM决策融合的SAR目标分类方法,其思路为:确定SAR图像,所述SAR图像包括λ类目标,对所述λ类目标进行划分得到训练集和测试集;然后对测试集进行标准化和子集划分,得到第一测试子集testx1、第二测试子集testx2和第三测试子集testx3;然后得到trainx的标准化特征矩阵traindata、testx1的标准化特征矩阵testdata1、testx2的标准化特征矩阵testdata2和testx3的标准化特征矩阵testdata3后分别得到参数矩阵W和偏移向量bb;确定第一列向量C1、第二列向量C2和第三列向量C3;进而得到最终的预测类别列向量;计算得到v2类被识别为v1类的概率后记为基于CNN和SVM决策融合的SAR目标分类结果。
Description
技术领域
本发明属于雷达技术领域,特别涉及一种基于CNN和SVM决策融合的SAR目标分类方法,适用于对雷达目标的识别与分类。
背景技术
支持向量机SVM是一种常用的机器学***面,将不同种类的目标完全分开,同时使平面两侧距离该平面最近的两个点到平面的距离之和最大;若目标是线性不可分的,则可通过加入一个合适的核函数,将目标从低维空间映射到高维空间,进而找到一个超平面将目标正确分类;通过引入一个松弛变量,在最大化间隔的同时允许少量样本分类错误,可更好的用于实际任务的分类,并且减少过拟合的影响。
卷积神经网络CNN是一种前馈神经网络,它一般由输入层,卷积层,激励层,池化层,全连接层和输出层组成;CNN在图像处理领域取得了很大的成功,它避免了对图像复杂的预处理,可直接输入原始图像,而且最终的识别效果也非常好。一般的网络在处理图像时,是将图像看作一个或者多个二维向量,各层特征图之间是全连接的,这就导致了在网络的训练过程中,需要被确定的参数数目是非常巨大的,这就使得训练网络所需时间很长,甚至训练失败,而CNN通过局部连接和权共享策略,将上述问题解决。CNN通过卷积层提取图像的各种特征,通过池化层对输入的数据进行采样,进而减少训练模型所需的参数,同时减轻网络的过拟合程度。卷积层通过滑窗提取图像的一部分,与卷积核进行卷积,将得到的对应像素点结果相加得到最终的卷积层输出结果。
用SVM进行分类时,数据的特征提取对最终的分类结果有很大的影响。如果能够找到合适的特征提取的方法,对数据进行特征提取,可以使分类准确率有较大的提升;反之,如果特征提取方法不当,则可能使分类准确率变差。
在用SVM对SAR目标图像进行分类时,在某些角度上,两个目标可能会比较相似,使得在这些角度附近,对目标的识别效果并不理想。
发明内容
本发明的目的在于针对上述现有技术的不足,提出基于CNN和SVM决策融合SAR目标分类方法,以提高对SAR图像的识别率,使不同种类的目标图像可以正确分类。
本发明的主要思路:在SAR图像数据集中取出一部分作为训练集,一部分作为测试集,并且将训练集和测试集的每张图片的大小进行标准化;将标准化的训练数据输入到未训练的CNN网络进行训练,并通过BP算法进行微调;将标准化的测试集输入到训练好的CNN网络,将CNN的输出输入到SVM中进行决策融合分类,最终得到目标的预测类别。
为达到上述技术目的,本发明采用如下技术方案予以实现。
一种基于CNN和SVM决策融合的SAR目标分类方法,包括以下步骤:
步骤1,确定SAR图像,所述SAR图像包括λ类目标,对所述λ类目标进行划分得到训练集和测试集;然后对测试集进行标准化和子集划分,得到第一测试子集testx1、第二测试子集testx2和第三测试子集testx3;其中,λ≥2;
步骤2,设置CNN网络并进行训练,得到训练好的CNN网络;
步骤3,根据第一测试子集testx1、第二测试子集testx2和第三测试子集testx3,以及训练集,得到标准化训练集trainx的标准化特征矩阵traindata、第一测试子集testx1的标准化特征矩阵testdata1、第二测试子集testx2的标准化特征矩阵testdata2和第三测试子集testx3的标准化特征矩阵testdata3;
步骤4,使用传统SVM分类算法对标准化训练集trainx的标准化特征矩阵traindata进行训练,分别得到参数矩阵W和偏移向量bb;
步骤5,根据步骤3和步骤4得到的结果,计算对第一测试子集testx1、第二测试子集testx2和第三测试子集testx3的预测类别列向量,分别记为第一列向量C1、第二列向量C2和第三列向量C3;
步骤6,根据第一列向量C1、第二列向量C2和第三列向量C3,得到最终的预测类别列向量;
本发明具有如下优点
第一,本发明在对数据进行特征提取时使用了CNN网络,可以很好的提取数据本身的特征,减少噪声等对分类的干扰。
第二,本发明由于使用了SVM分类器,对于小样本的分类识别具有很好的效果。
第三,本发明通过对同一目标不同方位角的预测结果进行决策融合,使最终的分类效果有了进一步的提升。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1为本发明的一种基于CNN和SVM决策融合的SAR目标分类方法流程图;
图2为使用本发明方法得到的目标分类结果图。
具体实施方式
参照图1,为本发明的一种基于SVM和CNN的决策融合分类方法流程图;其中所述基于SVM和CNN的决策融合分类方法,包括以下步骤:
步骤1:数据初始化。
1.1)本发明所针对的为雷达SAR图像的目标识别,对于每幅SAR图像,其目标类别是已知的;确定SAR图像,所述SAR图像包括λ类目标,λ≥2,每类目标对应一个标签,进而得到λ类目标对应的标签ytr1、ytr2、…、ytrλ、每类目标至少包括一个目标,且每类目标中所有目标的方位角和俯仰角都相同。
对λ类目标分别在俯仰角从σ1到σ2、间隔σ3,方位角从ξ1到ξ2、间隔ξ3下进行SAR成像,共得到幅SAR图像,其中0°≤σ1≤90°,0°≤σ2≤90°,σ1≤σ2,σ3>0,0°≤ξ1≤360°,0°≤ξ2≤360°,ξ1≤ξ2,ξ3>0,每幅SAR图像包含一个目标,每幅SAR图像尺寸为c×t且c≥a,t≥a。
在所述幅SAR图像中选取俯仰角为θ1、方位角从ξ1到ξ2、方位角间隔为ξ4的m类目标的SAR图像,共得到幅SAR图像,其中m类目标对应的标签为ytr1、ytr2、…、ytrm,将幅SAR图像和m类目标对应的标签作为训练集,其中σ1≤θ1≤σ2,0<ξ4≤ξ3,2≤m≤λ。
在所述幅SAR图像中选取俯仰角为θ2、方位角从ξ1到ξ2、方位角间隔为ξ4的m'类目标的SAR图像,共得到幅SAR图像,其中m'类目标对应的标签为ytr1、ytr2、…、ytrm',将幅SAR图像和m'类目标对应的标签作为测试集,其中σ1≤θ2≤σ2,θ1≠θ2,m'与m取值相同。
将训练集和测试集都导入到商用软件MATLAB中,并将训练集和测试集中的每一幅SAR图像的大小都标准化为a×a,得到标准化训练集trainx和标准化测试集testx,所述标准化训练集trainx包括幅标准化SAR图像和m类目标对应的标签,所述标准化测试集testx包括幅标准化SAR图像和m'类目标对应的标签。
1.2)根据标准化测试集testx中每幅标准化SAR图像的方位角的不同,将标准化测试集testx划分为三个测试子集,分别为第一测试子集testx1、第二测试子集testx2和第三测试子集testx3,第一测试子集testx1包括m1'类目标对应的标签,记为第一测试子集testx1对应的标签列向量yte1;第二测试子集testx2包括m2'类目标对应的标签,记为第二测试子集testx2对应的标签列向量yte2;第三测试子集testx3包括m3'类目标对应的标签,记为第三测试子集testx3对应的标签列向量yte3。
第一测试子集testx1对应的方位角为第二测试子集testx2对应的方位角为第三测试子集testx3对应的方位角为其中为第一测试子集testx1中每幅标准化SAR图像的方位角间隔,j为标准化测试集testx中每幅标准化SAR图像的编号,第一测试子集testx1对应的标签列向量yte1、第二测试子集testx2对应的标签列向量yte2和第三测试子集testx3对应的标签列向量yte3分别为维。
步骤2:初始化CNN网络。
2.1)设置CNN网络总共包括n+1层,n为大于3的正整数;设第0层类型type0为输入层,第i层类型typei,其中1≤i≤n-2,第i层类型typei可取卷积层和池化层,第n-1层类型typen-1为全连阶层,第n层类型typen为输出层,第i层的特征图总个数为pi,pi为大于0的正整数,pi和n类似,也可以任意设置。
其中第0层的特征图总个数为p0,第n-1层的特征图总个数pn-1为1,第n层的特征图总个数pn为1;池化层的特征图总个数与该池化层上一层的特征图总个数取值相同;第i层中每个特征图的大小都为di×di,di≤a,第n-1层中每个特征图大小都为(dn-2·dn-2·pn-2)×1,第n层中每个特征图大小都为λ×1。
如果第i层类型typei为卷积层,则第i层与第i-1层之间通过卷积核连接,且CNN网络中所有卷积核的大小相同,设卷积核大小都为k×k,di≥k,卷积核每次滑动的距离都为q,1≤q≤k;设定学习率为α,α>0。
如果第i层类型typei为池化层,则确定池化层采样间隔为sc,0≤sc≤di-1,di-1×di-1表示第i-1层中每个特征图的大小,且所有池化层采样间隔大小相同,di-1≤a;每次输入标准化SAR图像的幅数b,其中b为的约数,为第一测试子集testx1中每幅标准化SAR图像的方位角间隔,
初始化:设定第l次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核初始值为且为一个k×k的矩阵,其中0≤h1≤pi-1,0≤h2≤pi,pi-1表示第i-1层的特征图总个数,pi表示第i层的特征图总个数,使中k×k个元素的值均为-Hi与Hi之间的随机数,Hi公式计算如下所示:
其中,k×k表示卷积核大小。
2.2)根据第i层类型typei和第i-1层中每个特征图的大小di-1,计算第i层中每个特征图的大小di×di,1≤i≤n-2。
如果第i层类型typei为卷积层,则:
di=di-1-k+1
如果第i层类型typei为池化层,则:
第0层类型type0为输入层,且第1层类型type1为卷积层,输入层与卷积层通过卷积核相连,则d1=a。
2.3)初始化:第n-1层和第n层之间的全连接矩阵初始值ffw0和第n-1层和第n层之间的偏移向量初始值ffb0。
第n-1层和第n层之间的全连接矩阵初始值ffw0为一个(dn×(dn-1·dn-1·pn-1))的矩阵,该第n-1层和第n层之间的全连接矩阵初始值ffw0中每一个元素值均为-HH和HH之间的随机数,HH的计算公式如下:
第n-1层和第n层之间的偏移向量初始值ffb0为一个dn×b的矩阵,第n-1层和第n层之间的偏移向量初始值ffb0中每一个元素值均为0。
步骤3:CNN网络前向输入
在标准化训练集trainx中第l次随机选取b幅标准化SAR图像,组成第l次更新后的数据集Bl,并将第l次更新后的数据集Bl从标准化训练集trainx中删除,将第l次更新后的数据集Bl输入到步骤2所设置的CNN网络中,前向传播,得到各层神经网络的值,最终得到第l次更新后CNN网络的输出ol。
3.1)如果第i层类型typei为卷积层,则第i层中每个特征图的值分别为一个di×di的矩阵,设第i层中第pm个特征图的值为一个di×di的矩阵第i-1层中第pn个特征图的值为一个di-1×di-1的矩阵其中1≤pm≤pi,1≤pn≤pi-1。
3.2)如果第i层类型typei为池化层,则第i层中每个特征图的值分别为一个di×di的矩阵,设第i层中第pm个特征图的值为一个di×di的矩阵设第i-1层中第pm个特征图的值为一个di-1×di-1的矩阵1≤pm≤pi。
3.3)设第n-2层中第个特征图的值为一个dn-2×dn-2的矩阵第n-2层的特征图总个数为pn-2,第n-2层中每个特征图的大小都为dn-2×dn-2,即将第n-2层中pn-2个特征图按如下公式展开成一个向量fv并把该向量保存在第n-1层的pn-1个特征图中,向量fv中第(pm-1)·(dn-2)2+((r-1)·dn-2)个元素至第(pm-1)·(dn-2)2+(r·dn-2)个元素分别与中第r列第1个元素至第dn-2个元素一一对应且取值相等,其对应表达式为:
3.4)根据n-1层和第n层之间的全连接矩阵初始值ffw0和第n-1层和第n层之间的偏移向量初始值ffb0,得到最终输出矩阵初始值o0,其表达式为:
o0=ffw0·fv+ffb0
步骤4:根据步骤3中的参数和训练数据的标签,对CNN网络参数进行微调,其子步骤为:
4.1)确定第l次更新后的数据集Bl中的b幅标准化SAR图像对应包括b个目标,设定所述b个目标归属于η类目标,将η类目标对应的标签ytr1、ytr2、…、ytrη组成第l次更新后的标签集列向量yη,其中1≤η≤b。
设定一个λ×b的零矩阵,如果第l次更新后的标签集列向量yη中第dd列元素的值为yη(dd)=σ,其中1≤dd≤b,则将该λ×b的零矩阵中第σ行、第η列元素的值改为1,其他所有元素的值仍然都为0,进而得到第l次更新后η类目标的标签矩阵yηl。
其中,1<σ<λ。
4.2)根据第l次更新后的最终输出矩阵ol和第l次更新后η类目标的标签矩阵yηl,计算第l次更新后的误差矩阵el:
el=ol-yηl
4.3)根据第l次更新后的误差矩阵el,分别计算第l次更新后的代价函数Ll、第l次更新后第n层的残差矩阵odl和第l次更新后第n-1层的残差矩阵fvdl,其计算表达式分别为:
odl=el·(ol·(1-ol))
fvdl=ffwl T·odl
其中,el(μ,ρ)表示第l次更新后的误差矩阵el中第μ行、第ρ列元素的值,1≤μ≤λ,1≤ρ≤b,ffwl T表示ffwl的转置,ffwl表示第l次更新后第n-1层和第n层之间的全连接矩阵。
其中,pn-1表示第n-1层的特征图总个数,表示第ss列dn-1个元素,fvdl((ss-1)·dn-1:(ss·dn-1))表示第l次更新后第n-1层的残差矩阵fvdl中第(ss-1)·dn-1行元素至第ss·dn-1行元素,1≤ss≤dn-1。
其中, 表示第i1+1层的特征图总个数,表示第i1+1层中第kk个特征图的灵敏度矩阵,表示第l次更新后连接第i1层中第h1个特征图和第i1+1层中第h2个特征图的卷积核;fp表示第一设定函数,其满足:
D1(xx,yy)=D(k-xx+1,k-yy+1),
其中,D1(xx,yy)表示矩阵D1中第xx行、第yy列的元素,D(k-xx+1,k-yy+1)表示矩阵D中第k-xx+1行、第k-yy+1列的元素。
4.5)根据以上参数计算第l次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核梯度矩阵第l次更新后的全连接矩阵梯度dffwl,以及第l次更新后的全连接偏置dffbl,其计算表达式分别为:
其中,当l与i取值相同且h1与h2取值不相同时,每次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核梯度矩阵都是相同的;b表示每次更新后的数据集中包括的标准化SAR图像总幅数,fvT表示fv的转置,odl(:,pp)表示odl矩阵第pp列的所有元素,odl表示第l次更新后第n层的残差矩阵。
步骤5,令l的值加1,计算第l次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核第l次更新后的卷积层偏置bl、第l次更新后第n-1层和第n层之间的全连接矩阵ffwl和第l次更新后第n-1层和第n层之间的偏移向量ffbl,其计算表达式分别为:
bl=bl-1-α·dbl-1
ffwl=ffwl-1-α·dffwl-1
ffbl=ffbl-1-α·dffbl-1
其中,表示第l-1次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核梯度矩阵;令第i-1层中第pn个特征图的值为一个di-1×di-1的矩阵1≤i≤n-2,表示第i层中第pm个特征图的灵敏度矩阵,bl-1表示第l-1次更新后的卷积层偏置,b0=0,α>0;表示第l-1次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核,表示第l次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核初始值;dbl-1表示第l-1次更新后的偏置向量梯度,b表示每次更新后的数据集中包括的标准化SAR图像总幅数。
然后返回步骤3;直到计算得到第次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核第次更新后的卷积层偏置第次更新后第n-1层和第n层之间的全连接矩阵和第次更新后第n-1层和第n层之间的偏移向量
对于第次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核令i=1,2,…,n-2,进而分别得到第次更新后连接第0层中第h1个特征图和第1层中第h2个特征图的卷积核至第次更新后连接第n-3层中第h1个特征图和第n-2层中第h2个特征图的卷积核以及此时得到的卷积层偏置初始值b0至第次更新后的卷积层偏置第n-1层和第n层之间的全连接矩阵初始值ffw0至第次更新后第n-1层和第n层之间的全连接矩阵和第n-1层和第n层之间的偏移向量初始值ffb0至第次更新后第n-1层和第n层之间的偏移向量表明此时设置的CNN网络训练完成,并记为训练好的CNN网络。
步骤6:用CNN网络提取训练数据和测试数据的特征矩阵。
6.1)将标准化训练集trainx、以及第一测试子集testx1、第二测试子集testx2和第三测试子集testx3分别使用训练好的CNN网络进行训练,分别得到标准化训练集trainx的特征矩阵trainx_new、第一测试子集testx1的特征矩阵testx1_new、第二测试子集testx2的特征矩阵testx2_new和第三测试子集testx3的特征矩阵testx3_new。
6.2)使用数据标准化算法对标准化训练集trainx的特征矩阵trainx_new、第一测试子集testx1的特征矩阵testx1_new、第二测试子集testx2的特征矩阵testx2_new和第三测试子集testx3的特征矩阵testx3_new分别进行标准化处理,分别得到标准化训练集trainx的标准化特征矩阵traindata、第一测试子集testx1的标准化特征矩阵testdata1、第二测试子集testx2的标准化特征矩阵testdata2和第三测试子集testx3的标准化特征矩阵testdata3,其计算表达式分别为:
其中,mean函数表示求矩阵列均值,SID函数表示求矩阵的列标准差。
步骤7,使用传统支持向量机SVM分类算法对标准化训练集trainx的标准化特征矩阵traindata进行训练,分别得到参数矩阵W和偏移向量bb,其中参数矩阵W是一个pn-1×m的矩阵,偏移向量bb为一个pn-1×1的行向量;pn表示第n层的特征图总个数,pn-1表示第n-1层的特征图总个数。
步骤8,根据第一测试子集testx1的特征矩阵testdata1、第二测试子集testx2的特征矩阵testdata2和第三测试子集testx3的特征矩阵testdata3,以及参数矩阵W、偏移向量bb,按如下步骤计算对第一测试子集testx1、第二测试子集testx2和第三测试子集testx3的预测类别列向量,分别记为第一列向量C1、第二列向量C2和第三列向量C3,其得到过程为:”
fen1=testdata1·WT+repmat(bb,[size(testdata1,1),1])
fen2=testdata2·WT+repmat(bb,[size(testdata2,1),1])
fen3=testdata3·WT+repmat(bb,[size(testdata3,1),1])
其中,size(testdata1,1)表示矩阵testdata1的行数,repmat(bb,[size(testdata1,1),1])表示一个size(testdata1,1)行pn-1列的矩阵,该size(testdata1,1)行pn-1列的矩阵的每一行均为偏移向量bb;fen1为一个size(testdata1,1)×pn-1的矩阵,size(testdata1,1)×pn-1的矩阵的每一行有且仅有一个元素的值为1,且每一行剩余元素的值分别为0;若fen1的第ψ1行元素的值1所在列数为△1,则令C1(ψ1)=△1,其中1≤ψ1≤size(testdata1),1≤△1≤pn-1,C1(ψ1)表示第一列向量C1的第ψ1个元素的值;令ψ1=1,2,…,size(testdata1),进而得到第一列向量C1,所述第一列向量C1包括size(testdata1)个元素。
其中size(testdata2,1)表示矩阵testdata2的行数,repmat(bb,[size(testdata2,1),1])表示一个size(testdata2,1)行pn-1列的矩阵,该size(testdata2,1)行pn-1列的矩阵的每一行均为偏移向量bb;fen2为一个size(testdata2,1)×pn-1的矩阵,size(testdata2,1)×pn-1的矩阵的每一行有且仅有一个元素的值为1,且每一行剩余元素的值分别为0;若fen2的第ψ2行元素的值1所在列数为△2,则令C2(ψ2)=△2,其中1≤ψ2≤size(testdata2),1≤△2≤pn-1,C2(ψ2)表示第二列向量C2的第ψ2个元素的值;令ψ2=1,2,…,size(testdata2),进而得到第二列向量C2,所述第二列向量C2包括size(testdata2)个元素。
其中size(testdata3,1)表示矩阵testdata3的行数,repmat(bb,[size(testdata3,1),1])表示一个size(testdata3,1)行pn-1列的矩阵,该size(testdata3,1)行pn-1列的矩阵的每一行均为偏移向量bb;fen3为一个size(testdata3,1)×pn-1的矩阵,size(testdata3,1)×pn-1的矩阵的每一行有且仅有一个元素的值为1,且每一行剩余元素的值分别为0;若fen3的第ψ3行元素的值1所在列数为△3,则令C3(ψ3)=△3,其中1≤ψ3≤size(testdata3),1≤△3≤pn-1,C3(ψ3)表示第三列向量C3的第ψ3个元素的值;令ψ3=1,2,…,size(testdata3),进而得到第三列向量C3,所述第三列向量C3包括size(testdata3)个元素。
步骤9,决策融合分类
将第一列向量C1、第二列向量C2和第三列向量C3的每一行都进行决策,进而得到最终的预测类别列向量。
分别取第一列向量C1、第二列向量C2和第三列向量C3的第δ行元素的值,分别记为第一列向量C1的第δ行元素的值C1(δ)、第二列向量C2的第δ行元素的值C2(δ)和第三列向量C3的第δ行元素的值C3(δ),其中1≤δ≤S,S为第一列向量C1的总列数;设定S维列向量为C,则S维列向量C的第δ行元素的值C(δ)的得到过程为:
如果C1(δ)=C2(δ)或者C1(δ)=C3(δ),则:
C(δ)=C1(δ)。
如果C2(δ)=C3(δ),则:
C(δ)=C2(δ)。
如果C1(δ)、C2(δ)、C3(δ)中两两均不相等,则随机选取C1(δ)、C2(δ)、C3(δ)中的任意一个值,作为S维列向量C的第δ行元素的值C(δ)。
令δ=1,2,…,S,进而分别得到S维列向量C的第1行元素的值C(1)至S维列向量C的第S行元素的值C(S),记为最终的预测类别列向量,所述最终的预测类别列向量为S维列向量。
若最终的预测类别列向量的第ψ4行元素的值为v1,并且第一测试子集testx1对应的标签列向量yte1的第ψ4行元素的值为v2,统计最终的预测类别列向量中S个元素中元素的值为v1的元素总行数,记为S1,S1<S,然后统计S1行对应在标签列向量yte1中元素的值为v2的总个数,记为v2类被识别为v1类的个数其中则v2类被识别为v1类的概率为:
其中,1≤v1≤m,1≤v2≤m。
下面通过一个仿真实例对本发明进行进一步说明:
1)设置CNN网络参数和SVM分类器参数:
设置CNN网络的层数n为7,第一层为输入层,包含一个32×32的特征图,第二层为卷积层,包含6个28×28的特征图,第三层为池化层,包含6个14×14的特征图,采样间隔sc为2,第四层为卷积层,包含12个10×10的特征图,第五层为池化层,包含12个5×5的特征图,采样间隔sc为2,第六层为向量展开层,包含300个1×1的特征图,第七层为输出层,卷积核大小为5×5,卷积核每次滑动的距离为1,学习率为1,每次输入图片的张数为18。
设置SVM参数,学习率为1.5,此时正则化系数为101.5,核函数采用hinge函数。
2)训练集和测试集
训练集为T95,BT-7,IS-4三种类型的坦克在俯仰角为50°,方位角从0°到360°,间隔为10°的SAR图像,测试集为T95,BT-7,IS-4三种类型的坦克在俯仰角为60°,方位角从0°到360°,间隔为10°的SAR图像。
3)仿真内容
对上述训练集和测试集,用本发明方法对其进行决策融合分类,其分类结果如图2所示,图2为使用本发明方法得到的目标分类结果图。
本发明的部分实验数据如表3所示,本发明的实验结果数据如表4所示。
表3
表4
由表3和表4可见,本发明可以准确地对SAR目标进行识别分类,相对于仅使用CNN进行特征提取后,再用SVM进行分类,分类的正确率有较大的提升。
以上描述仅是本发明的一个具体实例,并未构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修正和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于CNN和SVM决策融合的SAR目标分类方法,其特征在于,包括以下步骤:
步骤1,确定SAR图像,所述SAR图像包括λ类目标,对所述λ类目标进行划分得到训练集和测试集;然后对测试集进行标准化和子集划分,得到第一测试子集testx1、第二测试子集testx2和第三测试子集testx3;其中,λ≥2;
在步骤1中,所述训练集和测试集,其得到过程为:
所述SAR图像包括λ类目标,λ≥2,每类目标对应一个标签,进而得到λ类目标对应的标签ytr1、ytr2、…、ytrλ、每类目标至少包括一个目标,且每类目标中所有目标的方位角和俯仰角都相同;
对λ类目标分别在俯仰角从σ1到σ2、间隔σ3,方位角从ξ1到ξ2、间隔ξ3下进行SAR成像,共得到幅SAR图像,其中0°≤σ1≤90°,0°≤σ2≤90°,σ1≤σ2,σ3>0,0°≤ξ1≤360°,0°≤ξ2≤360°,ξ1≤ξ2,ξ3>0,每幅SAR图像包含一个目标,每幅SAR图像尺寸为c×t且c≥a,t≥a;
在所述幅SAR图像中选取俯仰角为θ1、方位角从ξ1到ξ2、方位角间隔为ξ4的m类目标的SAR图像,共得到幅SAR图像,其中m类目标对应的标签为ytr1、ytr2、…、ytrm,将幅SAR图像和m类目标对应的标签作为训练集,其中σ1≤θ1≤σ2,0<ξ4≤ξ3,2≤m≤λ;
在所述幅SAR图像中选取俯仰角为θ2、方位角从ξ1到ξ2、方位角间隔为ξ4的m'类目标的SAR图像,共得到幅SAR图像,其中m'类目标对应的标签为ytr1、ytr2、…、ytrm',将幅SAR图像和m'类目标对应的标签作为测试集,其中σ1≤θ2≤σ2,θ1≠θ2,m'与m取值相同;
所述第一测试子集testx1、第二测试子集testx2和第三测试子集testx3,其得到过程为:
将训练集和测试集中的每一幅SAR图像的大小都标准化为a×a,得到标准化训练集trainx和标准化测试集testx,所述标准化训练集trainx包括幅标准化SAR图像和m类目标对应的标签,所述标准化测试集testx包括幅标准化SAR图像和m'类目标对应的标签;
根据标准化测试集testx中每幅标准化SAR图像的方位角的不同,将标准化测试集testx划分为三个测试子集,分别为第一测试子集testx1、第二测试子集testx2和第三测试子集testx3,第一测试子集testx1包括m1'类目标对应的标签,记为第一测试子集testx1对应的标签列向量yte1;第二测试子集testx2包括m2'类目标对应的标签,记为第二测试子集testx2对应的标签列向量yte2;第三测试子集testx3包括m3'类目标对应的标签,记为第三测试子集testx3对应的标签列向量yte3;
步骤2,设置CNN网络并进行训练,得到训练好的CNN网络;
步骤3,根据第一测试子集testx1、第二测试子集testx2和第三测试子集testx3,以及训练集,得到标准化训练集trainx的标准化特征矩阵traindata、第一测试子集testx1的标准化特征矩阵testdata1、第二测试子集testx2的标准化特征矩阵testdata2和第三测试子集testx3的标准化特征矩阵testdata3;
步骤4,使用传统SVM分类算法对标准化训练集trainx的标准化特征矩阵traindata进行训练,分别得到参数矩阵W和偏移向量bb;
步骤5,根据步骤3和步骤4得到的结果,计算对第一测试子集testx1、第二测试子集testx2和第三测试子集testx3的预测类别列向量,分别记为第一列向量C1、第二列向量C2和第三列向量C3;
步骤6,根据第一列向量C1、第二列向量C2和第三列向量C3,得到最终的预测类别列向量;
2.如权利要求1所述的一种基于CNN和SVM决策融合的SAR目标分类方法,其特征在于,在步骤2中,所述训练好的CNN网络,其得到过程为:
2.1)设置CNN网络总共包括n+1层,n为大于3的正整数;设第0层类型type0为输入层,第i层类型typei,其中1≤i≤n-2,第i层类型typei取卷积层和池化层,第n-1层类型typen-1为全连阶层,第n层类型typen为输出层,第i层的特征图总个数为pi,pi为大于0的正整数;
其中,k×k表示卷积核大小,0≤h1≤pi-1,0≤h2≤pi,pi-1表示第i-1层的特征图总个数,pi表示第i层的特征图总个数;
第n-1层和第n层之间的全连接矩阵初始值ffw0为一个(dn×(dn-1·dn-1·pn-1))的矩阵,该第n-1层和第n层之间的全连接矩阵初始值ffw0中每一个元素值均为-HH和HH之间的随机数,HH的计算公式如下:
第n-1层和第n层之间的偏移向量初始值ffb0为一个dn×b的矩阵,第n-1层和第n层之间的偏移向量初始值ffb0中每一个元素值均为0;最终输出矩阵初始值o0=ffw0·fv+ffb0,fv为pn-1-1维列向量,fv中第(pm-1)·(dn-2)2+((r-1)·dn-2)个元素至第(pm-1)·(dn-2)2+(r·dn-2)个元素分别与中第r列第1个元素至第dn-2个元素一一对应且取值相等,表示第n-2层中第个特征图的值为一个dn-2×dn-2的矩阵,pn-2表示第n-2层的特征图总个数;1≤pm≤pi,令di×di表示第i层中每个特征图的大小,1≤i≤n-2;dn-1·dn-1表示第n-1层中每个特征图的大小,dn·dn表示第n层中每个特征图的大小;
2.2)确定第l次更新后的数据集Bl中的b幅标准化SAR图像对应包括b个目标,设定所述b个目标归属于η类目标,将η类目标对应的标签ytr1、ytr2、…、ytrη组成第l次更新后的标签集列向量yη,其中1≤η≤b;
设定一个λ×b的零矩阵,如果第l次更新后的标签集列向量yη中第dd列元素的值为yη(dd)=σ,其中1≤dd≤b,则将该λ×b的零矩阵中第σ行、第η列元素的值改为1,其他所有元素的值仍然都为0,进而得到第l次更新后η类目标的标签矩阵yηl;
其中,1<σ<λ;
根据第l次更新后的最终输出矩阵ol和第l次更新后η类目标的标签矩阵yηl,计算第l次更新后的误差矩阵el:
el=ol-yηl;
2.3)根据第l次更新后的误差矩阵el,分别计算第l次更新后的代价函数Ll、第l次更新后第n层的残差矩阵odl和第l次更新后第n-1层的残差矩阵fvdl,其计算表达式分别为:
odl=el·(ol·(1-ol))
fvdl=ffwl T·odl
其中,el(μ,ρ)表示第l次更新后的误差矩阵el中第μ行、第ρ列元素的值,1≤μ≤λ,1≤ρ≤b,ffwl T表示ffwl的转置,ffwl表示第l次更新后第n-1层和第n层之间的全连接矩阵;
其中,当l与i取值相同且h1与h2取值不相同时,每次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核梯度矩阵都是相同的;b表示每次更新后的数据集中包括的标准化SAR图像总幅数,fvT表示fv的转置,odl(:,pp)表示odl矩阵第pp列的所有元素,odl表示第l次更新后第n层的残差矩阵;
2.5)令l的值加1,计算第l次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核第l次更新后的卷积层偏置bl、第l次更新后第n-1层和第n层之间的全连接矩阵ffwl和第l次更新后第n-1层和第n层之间的偏移向量ffbl,其计算表达式分别为:
bl=bl-1-α·dbl-1
ffwl=ffwl-1-α·dffwl-1
ffbl=ffbl-1-α·dffbl-1
其中,表示第l-1次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核梯度矩阵;令第i-1层中第pn个特征图的值为一个di-1×di-1的矩阵 表示第i层中第pm个特征图的灵敏度矩阵,bl-1表示第l-1次更新后的卷积层偏置,b0=0,α>0;表示第l-1次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核,表示第l次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核初始值;dbl-1表示第l-1次更新后的偏置向量梯度,b表示每次更新后的数据集中包括的标准化SAR图像总幅数;
然后返回步骤2.2);直到计算得到第次更新后连接第i-1层中第h1个特征图和第i层中第h2个特征图的卷积核第次更新后的卷积层偏置第次更新后第n-1层和第n层之间的全连接矩阵和第次更新后第n-1层和第n层之间的偏移向量
3.如权利要求2所述的一种基于CNN和SVM决策融合的SAR目标分类方法,其特征在于,在步骤3中,所述标准化训练集trainx的标准化特征矩阵traindata、第一测试子集testx1的标准化特征矩阵testdata1、第二测试子集testx2的标准化特征矩阵testdata2和第三测试子集testx3的标准化特征矩阵testdata3,其得到过程为:
3.1)将标准化训练集trainx、以及第一测试子集testx1、第二测试子集testx2和第三测试子集testx3分别使用训练好的CNN网络进行训练,分别得到标准化训练集trainx的特征矩阵trainx_new、第一测试子集testx1的特征矩阵testx1_new、第二测试子集testx2的特征矩阵testx2_new和第三测试子集testx3的特征矩阵testx3_new;
3.2)使用数据标准化算法对标准化训练集trainx的特征矩阵trainx_new、第一测试子集testx1的特征矩阵testx1_new、第二测试子集testx2的特征矩阵testx2_new和第三测试子集testx3的特征矩阵testx3_new分别进行标准化处理,分别得到标准化训练集trainx的标准化特征矩阵traindata、第一测试子集testx1的标准化特征矩阵testdata1、第二测试子集testx2的标准化特征矩阵testdata2和第三测试子集testx3的标准化特征矩阵testdata3,其计算表达式分别为:
其中,mean函数表示求矩阵列均值,SID函数表示求矩阵的列标准差。
4.如权利要求3所述的一种基于CNN和SVM决策融合的SAR目标分类方法,其特征在于,在步骤5中,所述第一列向量C1、第二列向量C2和第三列向量C3,其得到过程为:
根据第一测试子集testx1的特征矩阵testdata1、第二测试子集testx2的特征矩阵testdata2和第三测试子集testx3的特征矩阵testdata3,以及参数矩阵W、偏移向量bb,按如下步骤计算对第一测试子集testx1、第二测试子集testx2和第三测试子集testx3的预测类别列向量,分别记为第一列向量C1、第二列向量C2和第三列向量C3,其得到过程为:”
fen1=testdata1·WT+repmat(bb,[size(testdata1,1),1])
fen2=testdata2·WT+repmat(bb,[size(testdata2,1),1])
fen3=testdata3·WT+repmat(bb,[size(testdata3,1),1])
其中,size(testdata1,1)表示矩阵testdata1的行数,repmat(bb,[size(testdata1,1),1])表示一个size(testdata1,1)行pn-1列的矩阵,该size(testdata1,1)行pn-1列的矩阵的每一行均为偏移向量bb;fen1为一个size(testdata1,1)×pn-1的矩阵,size(testdata1,1)×pn-1的矩阵的每一行有且仅有一个元素的值为1,且每一行剩余元素的值分别为0;若fen1的第ψ1行元素的值1所在列数为△1,则令C1(ψ1)=△1,其中1≤ψ1≤size(testdata1),1≤△1≤pn-1,C1(ψ1)表示第一列向量C1的第ψ1个元素的值;令ψ1=1,2,…,size(testdata1),进而得到第一列向量C1,所述第一列向量C1包括size(testdata1)个元素;
其中size(testdata2,1)表示矩阵testdata2的行数,repmat(bb,[size(testdata2,1),1])表示一个size(testdata2,1)行pn-1列的矩阵,该size(testdata2,1)行pn-1列的矩阵的每一行均为偏移向量bb;fen2为一个size(testdata2,1)×pn-1的矩阵,size(testdata2,1)×pn-1的矩阵的每一行有且仅有一个元素的值为1,且每一行剩余元素的值分别为0;若fen2的第ψ2行元素的值1所在列数为△2,则令C2(ψ2)=△2,其中1≤ψ2≤size(testdata2),1≤△2≤pn-1,C2(ψ2)表示第二列向量C2的第ψ2个元素的值;令ψ2=1,2,…,size(testdata2),进而得到第二列向量C2,所述第二列向量C2包括size(testdata2)个元素;
其中size(testdata3,1)表示矩阵testdata3的行数,repmat(bb,[size(testdata3,1),1])表示一个size(testdata3,1)行pn-1列的矩阵,该size(testdata3,1)行pn-1列的矩阵的每一行均为偏移向量bb;fen3为一个size(testdata3,1)×pn-1的矩阵,size(testdata3,1)×pn-1的矩阵的每一行有且仅有一个元素的值为1,且每一行剩余元素的值分别为0;若fen3的第ψ3行元素的值1所在列数为△3,则令C3(ψ3)=△3,其中1≤ψ3≤size(testdata3),1≤△3≤pn-1,C3(ψ3)表示第三列向量C3的第ψ3个元素的值;令ψ3=1,2,…,size(testdata3),进而得到第三列向量C3,所述第三列向量C3包括size(testdata3)个元素。
5.如权利要求4所述的一种基于CNN和SVM决策融合的SAR目标分类方法,其特征在于,在步骤6中,所述最终的预测类别列向量,其得到过程为:
将第一列向量C1、第二列向量C2和第三列向量C3的每一行都进行决策,进而得到最终的预测类别列向量;
分别取第一列向量C1、第二列向量C2和第三列向量C3的第δ行元素的值,分别记为第一列向量C1的第δ行元素的值C1(δ)、第二列向量C2的第δ行元素的值C2(δ)和第三列向量C3的第δ行元素的值C3(δ),其中1≤δ≤S,S为第一列向量C1的总列数;设定S维列向量为C,则S维列向量C的第δ行元素的值C(δ)的得到过程为:
如果C1(δ)=C2(δ)或者C1(δ)=C3(δ),则:
C(δ)=C1(δ);
如果C2(δ)=C3(δ),则:
C(δ)=C2(δ);
如果C1(δ)、C2(δ)、C3(δ)中两两均不相等,则随机选取C1(δ)、C2(δ)、C3(δ)中的任意一个值,作为S维列向量C的第δ行元素的值C(δ);
令δ=1,2,…,S,进而分别得到S维列向量C的第1行元素的值C(1)至S维列向量C的第S行元素的值C(S),记为最终的预测类别列向量,所述最终的预测类别列向量为S维列向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810781174.4A CN109063750B (zh) | 2018-07-17 | 2018-07-17 | 基于cnn和svm决策融合的sar目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810781174.4A CN109063750B (zh) | 2018-07-17 | 2018-07-17 | 基于cnn和svm决策融合的sar目标分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063750A CN109063750A (zh) | 2018-12-21 |
CN109063750B true CN109063750B (zh) | 2022-05-13 |
Family
ID=64816836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810781174.4A Active CN109063750B (zh) | 2018-07-17 | 2018-07-17 | 基于cnn和svm决策融合的sar目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063750B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639659B (zh) * | 2019-03-01 | 2023-11-14 | 中国科学院声学研究所 | 一种水下沉底小目标融合分类方法 |
CN112347927B (zh) * | 2020-11-06 | 2022-12-13 | 天津市勘察设计院集团有限公司 | 基于卷积神经网络概率决策融合的高分影像建筑提取方法 |
CN114660598A (zh) * | 2022-02-07 | 2022-06-24 | 安徽理工大学 | 一种融合InSAR和CNN-AFSA-SVM的开采沉陷盆地自动检测方法 |
Citations (9)
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 |
CN105184309A (zh) * | 2015-08-12 | 2015-12-23 | 西安电子科技大学 | 基于cnn和svm的极化sar图像分类 |
CN106295506A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的年龄识别方法 |
CN106778821A (zh) * | 2016-11-25 | 2017-05-31 | 西安电子科技大学 | 基于slic和改进的cnn的极化sar图像分类方法 |
CN106845489A (zh) * | 2015-12-03 | 2017-06-13 | 中国航空工业集团公司雷华电子技术研究所 | 基于改进Krawtchouk矩的SAR图像目标特征提取方法 |
CN106874932A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于快速稀疏描述的sar目标型号识别方法 |
CN107423705A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于多层概率统计模型的sar图像目标识别方法 |
CN108171193A (zh) * | 2018-01-08 | 2018-06-15 | 西安电子科技大学 | 基于超像素局部信息度量的极化sar舰船目标检测方法 |
CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966065B (zh) * | 2015-06-23 | 2018-11-09 | 电子科技大学 | 目标识别方法及装置 |
-
2018
- 2018-07-17 CN CN201810781174.4A patent/CN109063750B/zh active Active
Patent Citations (9)
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 |
CN105184309A (zh) * | 2015-08-12 | 2015-12-23 | 西安电子科技大学 | 基于cnn和svm的极化sar图像分类 |
CN106845489A (zh) * | 2015-12-03 | 2017-06-13 | 中国航空工业集团公司雷华电子技术研究所 | 基于改进Krawtchouk矩的SAR图像目标特征提取方法 |
CN106295506A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的年龄识别方法 |
CN106778821A (zh) * | 2016-11-25 | 2017-05-31 | 西安电子科技大学 | 基于slic和改进的cnn的极化sar图像分类方法 |
CN106874932A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于快速稀疏描述的sar目标型号识别方法 |
CN107423705A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于多层概率统计模型的sar图像目标识别方法 |
CN108171193A (zh) * | 2018-01-08 | 2018-06-15 | 西安电子科技大学 | 基于超像素局部信息度量的极化sar舰船目标检测方法 |
CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
Non-Patent Citations (4)
Title |
---|
Combining deep convolutional neural network and SVM to SAR image target recognition;Fei Gao等;《IEEE International Conference on Internet of Things》;20170623;1082-1085 * |
基于卷积神经网络的SAR图像目标检测及分类方法研究;刘彬;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20180415(第4期);I136-2451 * |
基于多示例学习的图像分类算法;汪旗等;《计算机技术与发展》;20140430;第24卷(第4期);88-91 * |
基于知识的SAR图像目标检测;赵晖等;《***工程与电子技术》;20090716;第31卷(第6期);1314-1318 * |
Also Published As
Publication number | Publication date |
---|---|
CN109063750A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN108875933B (zh) | 一种无监督稀疏参数学习的超限学习机分类方法及*** | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN110309868A (zh) | 结合无监督学习的高光谱图像分类方法 | |
US10976429B1 (en) | System and method for synthetic aperture radar target recognition utilizing spiking neuromorphic networks | |
Feng et al. | Multiple kernel learning based on discriminative kernel clustering for hyperspectral band selection | |
CN112528928B (zh) | 一种基于自注意力深度网络的商品识别方法 | |
CN109063750B (zh) | 基于cnn和svm决策融合的sar目标分类方法 | |
CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN111753874A (zh) | 一种结合半监督聚类的图像场景分类方法及*** | |
CN108416318A (zh) | 基于数据增强的合成孔径雷达图像目标深度模型识别方法 | |
CN107545279B (zh) | 基于卷积神经网络与加权核特征分析的图像识别方法 | |
CN109359525B (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN107528824B (zh) | 一种基于二维度稀疏化的深度信念网络入侵检测方法 | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN111126570A (zh) | 预训练复数全卷积神经网络的sar目标分类方法 | |
CN111832580B (zh) | 结合少样本学习与目标属性特征的sar目标识别方法 | |
CN112232395B (zh) | 一种基于联合训练生成对抗网络的半监督图像分类方法 | |
CN110705636A (zh) | 一种基于多样本字典学习和局部约束编码的图像分类方法 | |
CN109284662B (zh) | 一种基于迁移学习的水下声音信号分类方法 | |
CN110569971A (zh) | 一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法 | |
Al-Akkam et al. | Plants leaf diseases detection using deep learning | |
CN113177587B (zh) | 基于主动学习和变分自编码器的广义零样本目标分类方法 | |
CN108983187B (zh) | 基于ewc的在线雷达目标识别方法 | |
Rethik et al. | Attention Based Mapping for Plants Leaf to Classify Diseases using Vision Transformer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |