CN110879989B - 基于小样本机器学习模型的ads-b信号目标识别方法 - Google Patents

基于小样本机器学习模型的ads-b信号目标识别方法 Download PDF

Info

Publication number
CN110879989B
CN110879989B CN201911157084.9A CN201911157084A CN110879989B CN 110879989 B CN110879989 B CN 110879989B CN 201911157084 A CN201911157084 A CN 201911157084A CN 110879989 B CN110879989 B CN 110879989B
Authority
CN
China
Prior art keywords
ads
sample
machine learning
training
signal
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
Application number
CN201911157084.9A
Other languages
English (en)
Other versions
CN110879989A (zh
Inventor
张伊慧
李胜军
***
曾蜜艺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Jiuzhou Electric Group Co Ltd
Original Assignee
Sichuan Jiuzhou Electric Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Jiuzhou Electric Group Co Ltd filed Critical Sichuan Jiuzhou Electric Group Co Ltd
Priority to CN201911157084.9A priority Critical patent/CN110879989B/zh
Publication of CN110879989A publication Critical patent/CN110879989A/zh
Application granted granted Critical
Publication of CN110879989B publication Critical patent/CN110879989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于小样本机器学习模型的ads‑b信号目标识别方法，首先采集不同目标的ads‑b信号作为训练样本，并对数据进行预处理，构建训练集、验证集和测试集；其次，构建基于卷积神经网络和度量学习的小样本机器学习模型；然后，用训练集对小样本机器学习模型进行训练，并在训练过程中用验证集对模型进行验证，当验证训练达到设定准确率后，固化模型；最后，测试模型，输入实时的ads‑b信号，输出相应的分类标签，最终得到目标所属的类别。采用本发明提供的方法克服了传统机器学习方法需要大量标记样本训练模型的缺点，实现成本低，具有很高的实时性和高效性，可节约大量人力物力。

Description

基于小样本机器学习模型的ads-b信号目标识别方法
技术领域
本发明涉及ads-b信号处理技术领域，具体涉及一种基于小样本机器学习模型的ads-b信号目标识别方法。
背景技术
ads-b(ADS-B***是广播式自动相关监视***的简称)是一种应用于空中交通监管的技术手段，具有监视精度高、信息更新率快、地面设备建设和维护成本低等优点，可用于在无雷达覆盖区域提供ATC监视，机场场面监视以及未来空-空监视等应用服务，因此，ads-b信号的信号处理技术是空中管制***的一个重要研究方向。
随着技术的发展、计算能力的不断提高，基于人工智能的分类识别方法在图像、语音等诸多方面取得了极大进展，为全球经济增长做出巨大贡献。作为一类具有庞大参数量的复杂机器学习算法，学习效果需要大量的标注数据支撑，但是越来越多的场景不能够提供充足的样本进行学习，譬如，在通信辐射源指纹识别方面，实际复杂的电磁环境条件下，对于每个电磁环境辐射源而言，人们很难获取充足的已知类别的辐射源观测样本数据，因此，小样本情况下的机器学习识别算法研究显得尤为重要。
发明内容
本发明所要解决的技术问题是：传统机器学习分类识别算法在无法提供充足的样本进行学习条件下使用受限，本发明提供了解决上述问题的一种基于小样本机器学习模型的ads-b信号目标识别方法，该方法可有效避免工程应用中数据样本难以采集，标注工作量大等困难，具有高效性和实用性，尤其适用于受环境限制不能够提供充足的样本进行学习的场景。
本发明通过下述技术方案实现：
一种基于小样本机器学习模型的ads-b信号目标识别方法，包括以下步骤：
S1、采集不同机型飞机的ads-b信号，建立样本库；对不同信号进行编号后建立样本库；S2、对步骤S1获得的数据进行预处理后，构建小样本训练集、验证集和测试集；
S3、构建基于卷积神经网络和度量学习的小样本机器学习模型；
S4、用步骤S2构建的训练集对机器学习模型进行训练；
S5、用步骤S2构建的验证集定期验证机器学习模型，当验证训练达到设定准确率后，固化模型；
S6、测试模型，向固化模型输入ads-b信号，输出相应的分类标签，最终获得目标飞机所属的类别。
相对于传统机器学习方法需要大量标记样本训练模型，本发明只需对少量样本进行标记，利于实现成本低，具有很高的实时性和高效性，可节约大量人力物力。
进一步地，所述步骤S1中，目标ads-b信号包括但不限于目标飞机的经度、纬度、高度和时间信息、以及飞机的识别信息和类别信息。
进一步地，所述步骤S2包括以下步骤：
S21、删除步骤S1建立的原始样本库中的无效数据、重复数据，处理缺失值、异常值；
S22、取长度为L的矩形框，对步骤S21预处理后获得的样本库的每条ads-b信号进行截取，信号的长度不超过矩形框长度，并对长度不足L的信号进行填充，使每个样本保留同样长度；
S23、对步骤S23获得的样本添加标签进行标记，所述标签为设定的目标机型类别，如标签为结合专家经验人工标注的目标机型类别；
S24、对标记样本进行特征提取。
进一步地，所述S22中，根据ads-b数字信号编码协议，以绝对幅值检测法对清洗后的数据进行同步头检测，阈值设为±0.75，再进行同步头截取；其中，截取长度L>同步头长度。
进一步地，所述特征提取手段包括时域特征提取、频域特征提取和特征融合。
进一步地，所述步骤S3中，卷积神经网络是信号检测识别的特征描述子，包括卷积层、池化层、批量归一化层。
进一步地，所述步骤S3中，度量学习是学习一个最邻近分类器，用于使同类样本的相似度大而异类样本的相似度小；通过卷积神经网络将样本映射到高维度量空间，在所述高维度量空间度量样本间的相似性；度量手段包括曼哈顿距离、欧式距离、马氏距离、切比雪夫距离、余弦距离。
进一步地，所述步骤S3中，机器学习模型的目标是最大化支持样本集S和预测查询样本集B中标签的概率，目标函数为：
θ＝argmaxθEL～T[ES～L,B～L[∑(x,y∈B)logPθ(y|x,S)]]；
其中，S和B分别为训练集中随机抽取的支持样本集和查询样本集，θ为模型的参数集合，x表示查询样本集B中的样本，y表示x的预测标签，T表示小样本识别任务。
进一步地，所述步骤S6中，通过构建小样本带标签数据集M((xi,yi)∈M)，输入一个未知ads-b信号
Figure BDA0002285095020000021
输出的分类标签
Figure BDA0002285095020000022
为：
Figure BDA0002285095020000023
其中，a为步骤S4训练得到的注意力核函数，k为数据集M的类别数，xi表示数据集M中的标记样本，yi表示xi的标签。
本发明具有如下的优点和有益效果：
1、传统机器学习分类识别算法需要庞大的数据体系作支撑，需要耗费较大的人力物理，且模型训练速度慢，操作灵活度较低，本发明提供的方法，只需要相对少量样本就可完成训练，克服了传统机器学习方法需要大量标记样本训练模型的缺点，具有很高的实时性和高效性，可节约大量人力物力，实现低成本、高灵活度操作，且获得的验证结果表示准确率＞90％；
2、针对越来越多的场景不能够提供充足的样本进行学习，譬如，在通信辐射源指纹识别方面，实际复杂的电磁环境条件下，对于每个电磁环境辐射源而言，人们很难获取充足的已知类别的辐射源观测样本数据，传统机器学习分类识别算法在这种情况下使用受限。本而发明提供的方法尤其适用于工程应用中数据样本少的情况。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的基于小样本机器学习模型的ads-b信号目标识别方法流程图；
图2为构建模型算法流程图；
图3为骨干网络结构图；
图4为模型训练过程示意图；
图5为模型训练过程精度验证图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
本实施例提供了一种基于小样本机器学习模型的ads-b信号目标识别方法，如图1所示，具体步骤如下所示：
步骤1，采集数据
采集不同机型飞机的ads-b信号，包括但不限于目标飞机的经度、纬度、高度和时间信息、以及飞机的识别信息和类别信息以及其它附加信息等，并分别进行编号，建立样本库；
步骤2，对样本库的数据进行预处理，构建训练集、验证集和测试集
数据预处理，主要包括数据清洗、同步头截取、数据标注和特征提取等步骤。数据清洗的目的是删除原始样本库中的无效数据、重复数据，处理缺失值、异常值。根据ads-b数字信号编码协议，以绝对幅值检测法对清洗后的数据进行同步头检测，阈值设为±0.75(归一化后)，再进行同步头截取，其中，截取长度L>同步头长度。对截取的数据打标签，按相同注册号进行分类，其中标签为结合专家经验人工标注的目标机型类别。对分类后信号进行特征提取并保存，提取方法包括但不限于短时傅里叶变换和小波变换，本次实施中，采用离散小波变换。
数据集划分，本次实施预处理后的数据集包含1000类，每类包含30个ads-b信号，随机选取500类为训练集，250类为验证集，剩余250类为测试集。训练集、验证集和测试集的类别不交叉。
步骤3，构建基于卷积神经网络和度量学习的小样本机器学习模型
小样本机器学习模型由骨干网络和相似性度量两部分组成，算法流程如图2所示。骨干网络采用卷积神经网络作为特征描述子，常用的卷积神经网络包括但不限于Vgg16、残差网络Resnet、Inception，特征金字塔网络FPN等，本实施例采用Conv4对ads-b信号进行特征提取，每个卷积块由64个3*3卷积核的卷积层、批量归一化层、Relu激活函数层和2*2最大池化层组成，输出结果为信号映射到高维空间的特征向量。
相似性度量计算两个样本之间距离的方式有很多，包括但不限于欧氏距离、马氏距离、余弦距离和切比雪夫距离等，本次实施中采用余弦距离计算样本间的相似度，当向量a(x11,x12,x13,…,x1n)和b(x21,x22,x23,…,x2n)都在一个向量空间中，则有：
Figure BDA0002285095020000041
将余弦距离做归一化，a＝softmax(cosθ)，输入样本的预测类别为：
Figure BDA0002285095020000042
步骤4，用训练集对机器学习模型进行训练
将训练集数据输入小样本机器学习模型，如图4所示，每个训练周期，从训练集中随机抽取N类，每类采样k个样本作为支持集S，b个样本作为查询集Q，训练模型的训练目标是使支持集S预测查询集B中标签的概率最大化，目标函数为：
θ＝argmaxθEL～T[ES～L,B～L[∑(x,y∈B)logPθ(y|x,S)]]；
其中，θ为模型的参数集合。
训练过程中，定期用验证集进行验证，当模型达到一定准确率后，固化模型参数，验证结果如图5所示，由图可知，验证准确率达到90.57％。
步骤5，测试模型，输入ads-b信号，输出相应的分类标签，最终获得目标所属的类别。
在小样本机器学习模型训练完成后，实时输入ads-b信号，加载训练好的模型参数，可实时输出目标类别。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，包括以下步骤：
S1、采集不同机型飞机的ads-b信号，建立样本库；
S2、对步骤S1获得的数据进行预处理后，构建小样本训练集、验证集和测试集；
S3、构建基于卷积神经网络和度量学习的小样本机器学习模型；
S4、用步骤S2构建的训练集对机器学习模型进行训练；
S5、用步骤S2构建的验证集定期验证机器学习模型，当验证训练达到设定准确率后，固化模型；
S6、测试模型，向固化模型输入ads-b信号，输出相应的分类标签，最终获得目标飞机所属的类别；
所述步骤S2包括以下步骤：
S21、删除步骤S1建立的原始样本库中的无效数据、重复数据，处理缺失值、异常值；
S22、取长度为L的矩形框，对步骤S21预处理后获得的样本库的每条ads-b信号进行截取，信号的长度不超过矩形框长度，并对长度不足L的信号进行填充，使每个样本保留同样长度；
S23、对步骤S23获得的样本添加标签进行标记，所述标签为设定的目标机型类别；
S24、对标记样本进行特征提取；
所述S22中，根据ads-b数字信号编码协议，以绝对幅值检测法对清洗后的数据进行同步头检测，阈值设为±0.75，再进行同步头截取；其中，截取长度L>同步头长度；
所述特征提取手段包括时域特征提取、频域特征提取和特征融合；
所述步骤S3中，机器学习模型的目标是最大化支持样本集S和预测查询样本集B中标签的概率，目标函数为：
θ＝argmaxθEL～T[ES～L,B～L[∑(x,y∈B)logPθ(y|x,S)]]；
其中，S和B分别为训练集中随机抽取的支持样本集和查询样本集，θ为模型的参数集合，x表示查询样本集B中的样本，y表示x的预测标签，T表示小样本识别任务；
所述步骤S6中，通过构建小样本带标签数据集M((xi,yi)∈M)，输入一个未知ads-b信号
Figure FDA0003505427160000011
输出的分类标签为
Figure FDA0003505427160000012
Figure FDA0003505427160000013
其中，a为步骤S4训练得到的注意力核函数，k为数据集M的类别数，xi表示数据集M中的标记样本，yi表示xi的标签。
2.根据权利要求1所述的一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，所述步骤S1中，目标ads-b信号包括目标飞机的经度、纬度、高度和时间信息、以及飞机的识别信息和类别信息。
3.根据权利要求1所述的一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，所述步骤S3中，卷积神经网络是信号检测识别的特征描述子，包括卷积层、池化层、批量归一化层。
4.根据权利要求3所述的一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，所述步骤S3中，度量学习是学习一个最邻近分类器，用于使同类样本的相似度大而异类样本的相似度小；通过卷积神经网络将样本映射到高维度量空间，在所述高维度量空间度量样本间的相似性；度量手段包括曼哈顿距离、欧式距离、马氏距离、切比雪夫距离、余弦距离。
CN201911157084.9A 2019-11-22 2019-11-22 基于小样本机器学习模型的ads-b信号目标识别方法 Active CN110879989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911157084.9A CN110879989B (zh) 2019-11-22 2019-11-22 基于小样本机器学习模型的ads-b信号目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911157084.9A CN110879989B (zh) 2019-11-22 2019-11-22 基于小样本机器学习模型的ads-b信号目标识别方法

Publications (2)

Publication Number Publication Date
CN110879989A CN110879989A (zh) 2020-03-13
CN110879989B true CN110879989B (zh) 2022-04-15

Family

ID=69729193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911157084.9A Active CN110879989B (zh) 2019-11-22 2019-11-22 基于小样本机器学习模型的ads-b信号目标识别方法

Country Status (1)

Country Link
CN (1) CN110879989B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401298A (zh) * 2020-04-03 2020-07-10 中国人民解放军海军航空大学 一种小样本条件下认知传感网对未确知威胁的识别方法
CN111639679B (zh) * 2020-05-09 2022-03-04 西北工业大学 一种基于多尺度度量学习的小样本学习方法
CN111753877B (zh) * 2020-05-19 2024-03-05 海克斯康制造智能技术(青岛)有限公司 一种基于深度神经网络迁移学习的产品质量检测方法
CN112069961B (zh) * 2020-08-28 2022-06-14 电子科技大学 一种基于度量学习的少样本文档版面分析方法
CN112949513B (zh) * 2021-03-09 2022-09-20 大连理工大学 基于度量学习的小样本膝关节摆动信号分类方法
CN113177558B (zh) * 2021-04-13 2022-06-14 电子科技大学 一种基于小样本的特征融合的辐射源个体识别方法
CN113420605A (zh) * 2021-05-31 2021-09-21 西南电子技术研究所（中国电子科技集团公司第十研究所） 通信信号的小样本增强方法
CN113343868A (zh) * 2021-06-15 2021-09-03 四川九洲电器集团有限责任公司 一种辐射源个体识别方法及装置、终端、存储介质
CN113191359B (zh) * 2021-06-30 2021-11-16 之江实验室 基于支持与查询样本的小样本目标检测方法与***
CN113449682B (zh) * 2021-07-15 2023-08-08 四川九洲电器集团有限责任公司 一种基于动态融合模型识别民航领域射频指纹的方法
CN114021458B (zh) * 2021-11-05 2022-11-04 西安晟昕科技发展有限公司 基于并行原型网络的小样本雷达辐射源信号识别方法
CN114743257A (zh) * 2022-01-23 2022-07-12 中国电子科技集团公司第十研究所 图像目标行为的检测识别方法
CN114267087B (zh) * 2022-02-28 2022-05-17 成都考拉悠然科技有限公司 一种基于小样本机器学习模型的动作注册方法及其***
CN116340849B (zh) * 2023-05-17 2023-08-15 南京邮电大学 一种基于度量学习的非接触式跨域人体活动识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108172029A (zh) * 2017-12-26 2018-06-15 四川九洲空管科技有限责任公司 一种空中加油机机载防撞***的加油模式实现方法及装置
CN108985454A (zh) * 2018-06-28 2018-12-11 西南电子技术研究所（中国电子科技集团公司第十研究所） 民航客机个体目标识别方法
CN109753874A (zh) * 2018-11-28 2019-05-14 南京航空航天大学 一种基于机器学习的低慢小雷达目标分类方法
CN109886116A (zh) * 2019-01-21 2019-06-14 中国人民解放军战略支援部队信息工程大学 基于ads-b的辐射源个体识别方法及装置
CN110032666A (zh) * 2019-03-05 2019-07-19 上海卫星工程研究所 基于历史ads-b的特定飞机目标甄选方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107154533A (zh) * 2017-05-16 2017-09-12 中国民航大学 低复杂度的ads‑b抗干扰阵列天线有源校正方法
CN109961089B (zh) * 2019-02-26 2023-04-07 中山大学 基于度量学习和元学习的小样本和零样本图像分类方法
CN110472584A (zh) * 2019-08-16 2019-11-19 四川九洲电器集团有限责任公司 一种通信设备身份识别方法、电子设备及计算机程序产品

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108172029A (zh) * 2017-12-26 2018-06-15 四川九洲空管科技有限责任公司 一种空中加油机机载防撞***的加油模式实现方法及装置
CN108985454A (zh) * 2018-06-28 2018-12-11 西南电子技术研究所（中国电子科技集团公司第十研究所） 民航客机个体目标识别方法
CN109753874A (zh) * 2018-11-28 2019-05-14 南京航空航天大学 一种基于机器学习的低慢小雷达目标分类方法
CN109886116A (zh) * 2019-01-21 2019-06-14 中国人民解放军战略支援部队信息工程大学 基于ads-b的辐射源个体识别方法及装置
CN110032666A (zh) * 2019-03-05 2019-07-19 上海卫星工程研究所 基于历史ads-b的特定飞机目标甄选方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Air Traffic Security: Aircraft Classification Using ADS-B Message’s Phase-Pattern;Mauro Leonardi 等;《Aerospace 2017》;20171030;1-13 *
SVM QP问题分解算法的研究进展;邱熔胜 等;《模式识别与人工智能 》;20030315;63-69 *
基于时频空间算法的地震勘探随机噪声压制研究;于朋君;《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》;20190115(第（2018）12期);A011-66 *

Also Published As

Publication number Publication date
CN110879989A (zh) 2020-03-13

Similar Documents

Publication Publication Date Title
CN110879989B (zh) 基于小样本机器学习模型的ads-b信号目标识别方法
CN108388927B (zh) 基于深度卷积孪生网络的小样本极化sar地物分类方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN107133569B (zh) 基于泛化多标记学习的监控视频多粒度标注方法
Liu et al. Research on automatic garbage detection system based on deep learning and narrowband internet of things
CN110874550A (zh) 数据处理方法、装置、设备和***
CN112257500A (zh) 一种基于云边协同技术的电力设备智能图像识别***及识别方法
Mussina et al. Multi-modal data fusion using deep neural network for condition monitoring of high voltage insulator
CN109583499B (zh) 一种基于无监督sdae网络的输电线路背景目标分类***
CN113158891B (zh) 一种基于全局特征匹配的跨摄像头行人重识别方法
CN112100435A (zh) 一种基于边缘端交通音视频同步样本的自动标注方法
CN115953630A (zh) 一种基于全局-局部知识蒸馏的跨域小样本图像分类方法
CN111582069B (zh) 一种空基监视平台的轨道障碍物零样本分类方法及装置
Chang et al. Locating waterfowl farms from satellite images with parallel residual u-net architecture
CN115585731A (zh) 空天地一体化水电站空间状态智能监控管理***及其方法
CN109426813B (zh) 基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法
CN114926683A (zh) 空中飞行目标分类识别方法、装置及计算机可读存储介质
CN117765348A (zh) 目标检测模型的部署方法和目标检测方法及电子设备
CN105335758A (zh) 一种基于视频费舍尔向量描述符的车型识别方法
CN116503750A (zh) 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及***
Colak et al. Automatic sunspot classification for real-time forecasting of solar activities
CN113869136B (zh) 基于多分支网络的半监督极化sar图像分类方法
CN114022754A (zh) 一种结合对比学习的少样本图像识别方法
Park et al. Slash or burn: Power line and vegetation classification for wildfire prevention
CN111291597B (zh) 一种基于图像的人群态势分析方法、装置、设备及***

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