CN113065433A - 一种基于稀疏复图像的sar目标识别方法 - Google Patents

一种基于稀疏复图像的sar目标识别方法 Download PDF

Info

Publication number
CN113065433A
CN113065433A CN202110307198.8A CN202110307198A CN113065433A CN 113065433 A CN113065433 A CN 113065433A CN 202110307198 A CN202110307198 A CN 202110307198A CN 113065433 A CN113065433 A CN 113065433A
Authority
CN
China
Prior art keywords
sparse
data set
complex
sar
image
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
Application number
CN202110307198.8A
Other languages
English (en)
Other versions
CN113065433B (zh
Inventor
毕辉
邓佳瑞
尹杰
金双
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110307198.8A priority Critical patent/CN113065433B/zh
Publication of CN113065433A publication Critical patent/CN113065433A/zh
Application granted granted Critical
Publication of CN113065433B publication Critical patent/CN113065433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations

Landscapes

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

Abstract

本发明公开了一种基于稀疏复图像的SAR目标识别方法，包括如下步骤：构建全新的稀疏图像数据集；采用YOLO系列的深度学习算法，基于步骤S1构建的稀疏图像数据集训练神经网络；将待识别的SAR图像输入到步骤S2中训练好的神经网络，得到SAR图像中所有目标的类别概率及其对应所在的位置。本发明将稀疏重构算法与深度学习相结合，不仅可以降低***计算复杂度，而且可以提升图像的质量，为目标识别任务提供更多有效的信息，实现对目标的快速准确识别。

Description

一种基于稀疏复图像的SAR目标识别方法
技术领域
本发明属于雷达图像处理和目标识别领域，具体涉及一种基于稀疏复图像的SAR目标识别方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，简称SAR)是一种通过主动发射和接收电磁波来实现对地观测的高分辨率微波成像***，不受时间和天气的影响，能够全天时全天候的获取观测场景的雷达图像，因而SAR被广泛的用于侦察、资源勘探、地形测绘和灾情监测等。
随着科学技术的发展，数据量激增，人工解译SAR图像的方法显然不再适用。自2012年Krizhevesky等人提出的第一个深度卷积神经网络(Convolution Neural Network，简称CNN)取得了17.0％的top-5错误率之后，CNN被广泛的用于目标识别。YOLO系列的CNN作为单阶段的目标检测框架，可以直接获取目标的类别概率及位置信息，并且在目标识别方面可以获取更高的准确率和更快的识别速度。
但是，通常基于匹配滤波算法重建的SAR图像质量不高，包含比较严重的杂波和旁瓣，不利于目标的检测和识别。
所以，需要一个新的技术方案来解决这个问题。
发明内容
发明目的：为了克服现有技术中存在的不足，提供一种基于稀疏复图像的SAR目标识别方法，其将稀疏重构算法与深度学习相结合，不仅可以降低***计算复杂度，而且可以提升图像的质量，为目标识别任务提供更多有效的信息，实现对目标的快速准确识别。
技术方案：为实现上述目的，本发明提供一种基于稀疏复图像的SAR目标识别方法，包括如下步骤：
S1：构建全新的稀疏图像数据集；
S2：采用YOLO系列的深度学习算法，基于步骤S1构建的稀疏图像数据集训练神经网络；
S3：将待识别的SAR图像输入到步骤S2中训练好的神经网络，得到SAR图像中所有目标的类别概率及其对应所在的位置。
进一步地，所述步骤S1中稀疏图像数据集包括稀疏估计数据集和非稀疏估计数据集。
进一步地，所述步骤S1中基于复近似信息传递算法对SAR图像进行重构，构建全新的稀疏图像数据集，具体过程为：
以第i+1步迭代为例，复近似信息传递算法的迭代过程可以表示为：
A1：第i+1步观测场景的非稀疏估计为
Figure BDA0002988311840000021
其中，
Figure BDA0002988311840000022
表示重建的观测场景的非稀疏估计，初始化数据矩阵W(0)＝XMF，XMF表示已知的基于匹配滤波方法重建的观测场景的SAR复图像数据，重建的观测场景的稀疏估计初始化为
Figure BDA0002988311840000023
表示迭代步数；
A2：第i+1步的迭代系数σi+1表示为
Figure BDA0002988311840000024
其中，
Figure BDA0002988311840000025
表示幅度图像
Figure BDA0002988311840000026
的第k+1个最大的元素值，k表示场景的稀疏度，即观测场景中非零元素的个数；
A3：第i+1步的数据矩阵W(i+1)为
Figure BDA0002988311840000027
其中，ηR和ηI分别表示复软阈值函数η的实部与虚部，
Figure BDA0002988311840000028
和
Figure BDA0002988311840000029
表示对ηR和ηI的部分梯度操作，
Figure BDA00029883118400000210
表示针对输入元素
Figure BDA00029883118400000211
的逐点的复软阈值运算，1(·)表示指示因子，符号angle(·)表示复数的相位，τ表示阈值参数；
A4：第i+1步观测场景的稀疏估计为
Figure BDA00029883118400000212
A5：第i+1步的迭代误差表示为
Figure BDA00029883118400000213
当迭代误差满足条件Residual≤ε时，结束循环，分别输出场景的稀疏估计
Figure BDA00029883118400000214
及非稀疏估计
Figure BDA00029883118400000215
分别为
Figure BDA00029883118400000216
和
Figure BDA0002988311840000031
否则i＝i+1，继续执行步骤A1-A5中的循环过程，ε表示重建误差参数；利用重建得到的稀疏估计和非稀疏估计分别构建稀疏图像数据集和非稀疏图像数据集。
进一步地，所述步骤S2中神经网络的训练过程为：
B1：将步骤S1中得到的稀疏图像数据集根据VOC2007格式得到Annotations、ImageSets和JPEGImages三个文件夹，其中，Annotations文件夹中的是样本标签的xml文件，ImageSets文件夹下新建的Main文件夹中包含train.txt、test.txt等文本内容为样本集中图片名的txt文件，JPEGImages文件夹中存放的是样本集中的图片；
B2：根据步骤B1中的三个文件夹生成训练需要的train.txt、test.txt和label文件夹；其中，train.txt和test.txt中的文本内容是与ImageSets/Main文件夹下图片名相对应的图片路径，label文件夹中的是样本标签的txt格式文件；
B3：根据训练任务修改参数配置，训练网络。
本发明中复近似信息传递(Complex Approximate Message Passing，简称CAMP)算法相较于传统的阈值迭代算法和正交匹配追踪算法等不仅可以获取观测场景的稀疏估计结果，而且可以同时重建出具有类似于匹配滤波重建结果背景统计特性分布的非稀疏估计结果。基于复近似信息传递算法重建得到的观测场景的稀疏图像无论是稀疏估计还是非稀疏估计都实现了对图像质量的提升，可以有效地提高目标识别的准确率。
有益效果：本发明与现有技术相比，具备如下优点：
1、相比于现有的正则化稀疏重构算法，复近似信息传递算法可以同时得到观测场景的稀疏估计和非稀疏估计，从而降低计算复杂度的同时实现图像质量的提升。
2、相比于基于匹配滤波方法获取的SAR图像的目标识别，由于对杂波和旁瓣实现了明显地去除或抑制，该发明基于重建的稀疏图像结合YOLO系列算法，可以适用于绝大部分的目标识别任务，实现对目标的快速准确识别。
附图说明
图1为本发明方法的流程图；
图2为本发明重建的稀疏图像数据集的目标识别结果；
其中，(a)匹配滤波图像的目标识别结果；(b)稀疏估计的目标识别结果；(c)非稀疏估计的目标识别结果；
图3为匹配滤波图像数据集和本发明重建的稀疏图像数据集分别在SOC和EOC条件下基于YOLOv3和YOLOv4网络的均值平均精度曲线。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，本发明提供一种基于稀疏复图像的SAR目标识别方法，包括如下步骤：
S1：构建全新的稀疏图像数据集。
本实施例中采用匹配滤波重构图像组成的数据集(以公开的MSTAR数据集为例)，基于复近似信息传递算法对SAR图像进行重建，构建全新的稀疏图像数据集，包括稀疏估计数据集和非稀疏估计数据集。
本实施例以第i+1步迭代为例，复近似信息传递算法的迭代过程可以表示为：
A1：第i+1步观测场景的非稀疏估计为
Figure BDA0002988311840000041
其中，
Figure BDA0002988311840000042
表示重建的观测场景的非稀疏估计，初始化数据矩阵W(0)＝XMF，XMF表示已知的基于匹配滤波方法重建的观测场景的SAR复图像数据，重建的观测场景的稀疏估计初始化为
Figure BDA0002988311840000043
表示迭代步数；
A2：第i+1步的迭代系数σi+1表示为
Figure BDA0002988311840000044
其中，
Figure BDA0002988311840000045
表示幅度图像
Figure BDA0002988311840000046
的第k+1个最大的元素值，k表示场景的稀疏度，即观测场景中非零元素的个数；
A3：第i+1步的数据矩阵W(i+1)为
Figure BDA0002988311840000047
其中，ηR和ηI分别表示复软阈值函数η的实部与虚部，
Figure BDA0002988311840000048
和
Figure BDA0002988311840000049
表示对ηR和ηI的部分梯度操作，
Figure BDA00029883118400000410
表示针对输入元素
Figure BDA00029883118400000411
的逐点的复软阈值运算，1(·)表示指示因子，符号angle(·)表示复数的相位，τ表示阈值参数，本例中阈值参数设定为1；
A4：第i+1步观测场景的稀疏估计为
Figure BDA00029883118400000412
A5：第i+1步的迭代误差表示为
Figure BDA0002988311840000051
当迭代误差满足条件Residual≤ε时，结束循环，分别输出场景的稀疏估计
Figure BDA0002988311840000052
及非稀疏估计
Figure BDA0002988311840000053
分别为
Figure BDA0002988311840000054
和
Figure BDA0002988311840000055
否则i＝i+1，继续执行步骤A1-A5中的循环过程，ε表示重建误差参数，在本例中选择其值为10-4；利用重建得到的稀疏估计和非稀疏估计分别构建稀疏图像数据集和非稀疏图像数据集。
S2：采用YOLO系列的深度学习算法，基于步骤S1构建的稀疏图像数据集训练神经网络。
本实施例中将步骤S1得到数据集分为训练集及测试集，采用YOLO系列的深度学习算法训练网络。具体的训练过程为：
B1：将步骤S1中得到的稀疏图像数据集根据VOC2007格式得到Annotations、ImageSets和JPEGImages三个文件夹，其中，Annotations文件夹中的是样本标签的xml文件，ImageSets文件夹下新建的Main文件夹中包含train.txt、test.txt等文本内容为样本集中图片名的txt文件，JPEGImages文件夹中存放的是样本集中的图片；
B2：根据步骤B1中的三个文件夹生成训练需要的train.txt、test.txt和label文件夹；其中，train.txt和test.txt中的文本内容是与ImageSets/Main文件夹下图片名相对应的图片路径，label文件夹中的是样本标签的txt格式文件；
B3：根据训练任务修改参数配置，训练网络。
S3：将待识别的SAR图像输入到步骤S2中训练好的神经网络，得到SAR图像中所有目标的类别概率及其对应所在的位置。
基于上述方案，本实施例中以公开的MSTAR数据集为例对本发明提出的一种适用于复图像的SAR目标识别算法进行验证。具体如下：
图2为本发明重建的稀疏图像数据集的目标识别结果。其中，图2(a)为匹配滤波图像的目标识别结果；图2(b)为稀疏估计的目标识别结果；图2(c)为非稀疏估计的目标识别结果。由图2给出的结果可以看出，图2(a)中，基于匹配滤波图像的识别结果中，类型为BRDM2的战车被误判为2S1，而在重建的稀疏估计和非稀疏估计中都被准确地识别出来。因此本发明提出的方法可以直接给出SAR图像中所有目标的类别概率及其所在的位置信息，并且重建的稀疏图像数据集识别精度相较匹配滤波图像数据集更高。
图3表示匹配滤波图像数据集和本发明重建的稀疏图像数据集分别在SOC和EOC条件下基于YOLOv3和YOLOv4网络的均值平均精度曲线。可见，复近似信息传递算法重建的稀疏估计保留了目标的整体特征，非稀疏估计由于保留了背景统计特性分布从而包含更多的细节特征。SOC条件下，数据集的训练集和测试集的差异较小，网络学习到的特征与测试集的相匹配，因此保留了更多细节特征的非稀疏估计表现出更高的识别精度，适用于较常规的目标识别任务。EOC条件下，训练集和测试集差异较大，训练学习到的特征在测试集中甚至可能不存在，因此，保留目标整体特征的稀疏估计在这种情况下表现更好，适用于较为复杂的目标识别任务。因此，总体而言，本发明提出的基于稀疏复图像的SAR目标识别方法可以更加快速准确的识别出目标，并且重新构建的稀疏图像适用于几乎所有的目标识别任务。

Claims (4)

1.一种基于稀疏复图像的SAR目标识别方法，其特征在于，包括如下步骤：
S1：构建全新的稀疏图像数据集；
S2：采用YOLO系列的深度学习算法，基于步骤S1构建的稀疏图像数据集训练神经网络；
S3：将待识别的SAR图像输入到步骤S2中训练好的神经网络，得到SAR图像中所有目标的类别概率及其对应所在的位置。
2.根据权利要求1所述的一种基于稀疏复图像的SAR目标识别方法，其特征在于，所述步骤S1中稀疏图像数据集包括稀疏估计数据集和非稀疏估计数据集。
3.根据权利要求1所述的一种基于稀疏复图像的SAR目标识别方法，其特征在于，所述步骤S1中基于复近似信息传递算法对SAR图像进行重构，构建全新的稀疏图像数据集，具体过程为：
以第i+1步迭代为例，复近似信息传递算法的迭代过程可以表示为：
A1：第i+1步观测场景的非稀疏估计为
Figure FDA0002988311830000011
其中，
Figure FDA0002988311830000012
表示重建的观测场景的非稀疏估计，初始化数据矩阵W(0)＝XMF，XMF表示已知的基于匹配滤波方法重建的观测场景的SAR复图像数据，重建的观测场景的稀疏估计初始化为
Figure FDA0002988311830000013
表示迭代步数；
A2：第i+1步的迭代系数σi+1表示为
Figure FDA0002988311830000014
其中，
Figure FDA0002988311830000015
表示幅度图像
Figure FDA0002988311830000016
的第k+1个最大的元素值，k表示场景的稀疏度，即观测场景中非零元素的个数；
A3：第i+1步的数据矩阵W(i+1)为
Figure FDA0002988311830000017
其中，ηR和ηI分别表示复软阈值函数η的实部与虚部，
Figure FDA0002988311830000018
和
Figure FDA0002988311830000019
表示对ηR和ηI的部分梯度操作，
Figure FDA00029883118300000110
表示针对输入元素
Figure FDA00029883118300000111
的逐点的复软阈值运算，1(·)表示指示因子，符号angle(·)表示复数的相位，τ表示阈值参数；
A4：第i+1步观测场景的稀疏估计为
Figure FDA0002988311830000021
A5：第i+1步的迭代误差表示为
Figure FDA0002988311830000022
当迭代误差满足条件Residual≤ε时，结束循环，分别输出场景的稀疏估计
Figure FDA0002988311830000023
及非稀疏估计
Figure FDA0002988311830000024
分别为
Figure FDA0002988311830000025
和
Figure FDA0002988311830000026
否则i＝i+1，继续执行步骤A1-A5中的循环过程，ε表示重建误差参数；利用重建得到的稀疏估计和非稀疏估计分别构建稀疏图像数据集和非稀疏图像数据集。
4.根据权利要求1所述的一种基于稀疏复图像的SAR目标识别方法，其特征在于，所述步骤S2中神经网络的训练过程为：
B1：将步骤S1中得到的稀疏图像数据集根据VOC2007格式得到Annotations、ImageSets和JPEGImages三个文件夹，其中，Annotations文件夹中的是样本标签的xml文件，ImageSets文件夹下新建的Main文件夹中包含文本内容为样本集中图片名的txt文件，JPEGImages文件夹中存放的是样本集中的图片；
B2：根据步骤B1中的三个文件夹生成训练需要的train.txt、test.txt和label文件夹；其中，train.txt和test.txt中的文本内容是与ImageSets/Main文件夹下图片名相对应的图片路径，label文件夹中的是样本标签的txt格式文件；
B3：根据训练任务修改参数配置，训练网络。
CN202110307198.8A 2021-03-23 2021-03-23 一种基于稀疏复图像的sar目标识别方法 Active CN113065433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110307198.8A CN113065433B (zh) 2021-03-23 2021-03-23 一种基于稀疏复图像的sar目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110307198.8A CN113065433B (zh) 2021-03-23 2021-03-23 一种基于稀疏复图像的sar目标识别方法

Publications (2)

Publication Number Publication Date
CN113065433A true CN113065433A (zh) 2021-07-02
CN113065433B CN113065433B (zh) 2024-04-02

Family

ID=76563417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110307198.8A Active CN113065433B (zh) 2021-03-23 2021-03-23 一种基于稀疏复图像的sar目标识别方法

Country Status (1)

Country Link
CN (1) CN113065433B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537020A (zh) * 2021-07-07 2021-10-22 中国人民解放军国防科技大学 基于改进神经网络的复数sar图像目标识别方法
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
CN114581766A (zh) * 2022-01-19 2022-06-03 南京航空航天大学 一种基于三通道稀疏sar图像数据的目标分类方法
CN114720984A (zh) * 2022-03-08 2022-07-08 电子科技大学 一种面向稀疏采样与观测不准确的sar成像方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106093944A (zh) * 2016-08-12 2016-11-09 中国科学院电子学研究所 一种适用于恒虚警率检测的稀疏微波成像方法
CN110895682A (zh) * 2019-10-15 2020-03-20 东北大学 一种基于深度学习的sar目标识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106093944A (zh) * 2016-08-12 2016-11-09 中国科学院电子学研究所 一种适用于恒虚警率检测的稀疏微波成像方法
CN110895682A (zh) * 2019-10-15 2020-03-20 东北大学 一种基于深度学习的sar目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张杏杏: "基于压缩感知的雷达虚警率检查算法的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, pages 38 - 39 *
毕辉: "基于复图像的稀疏SAR成像方法在高分三号数据上的验证", 《雷达学报》, pages 123 - 130 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537020A (zh) * 2021-07-07 2021-10-22 中国人民解放军国防科技大学 基于改进神经网络的复数sar图像目标识别方法
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
CN114581766A (zh) * 2022-01-19 2022-06-03 南京航空航天大学 一种基于三通道稀疏sar图像数据的目标分类方法
CN114720984A (zh) * 2022-03-08 2022-07-08 电子科技大学 一种面向稀疏采样与观测不准确的sar成像方法

Also Published As

Publication number Publication date
CN113065433B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN113065433B (zh) 一种基于稀疏复图像的sar目标识别方法
Zhu et al. Deep learning meets SAR: Concepts, models, pitfalls, and perspectives
CN110232394B (zh) 一种多尺度图像语义分割方法
Fracastoro et al. Deep learning methods for synthetic aperture radar image despeckling: An overview of trends and perspectives
CN107728142B (zh) 基于二维卷积网络的雷达高分辨距离像目标识别方法
CN104459668B (zh) 基于深度学习网络的雷达目标识别方法
CN109190491B (zh) 残差卷积神经网络sar影像海冰分类方法
CN107728143B (zh) 基于一维卷积神经网络的雷达高分辨距离像目标识别方法
CN107563433B (zh) 一种基于卷积神经网络的红外小目标检测方法
Qin et al. Enhancing ISAR resolution by a generative adversarial network
CN112990334A (zh) 基于改进原型网络的小样本sar图像目标识别方法
CN111126570A (zh) 预训练复数全卷积神经网络的sar目标分类方法
CN111126361A (zh) 基于半监督学习和特征约束的sar目标鉴别方法
CN114636975A (zh) 基于谱图融合和注意力机制的lpi雷达信号识别方法
CN112581483A (zh) 基于自学习的植物叶片叶脉分割方法和装置
Qin et al. ISAR resolution enhancement using residual network
Duan et al. Multi-scale convolutional neural network for SAR image semantic segmentation
Deng et al. Amplitude-phase CNN-based SAR target classification via complex-valued sparse image
Wang et al. Universal adversarial perturbation of SAR images for deep learning based target classification
CN113239959B (zh) 基于解耦表征变分自编码机的雷达hrrp目标识别方法
Hou et al. Sparse coding-inspired high-resolution ISAR imaging using multistage compressive sensing
CN113705340A (zh) 一种基于雷达遥感数据的深度学习变化检测方法
CN113393385A (zh) 基于多尺度融合的无监督去雨方法、***、装置及介质
CN114519384B (zh) 一种基于稀疏sar幅度-相位图像数据集的目标分类方法
CN114863164A (zh) 一种面向小目标超分辨重建图像的目标识别模型构建方法

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