CN114067217A - 基于非下采样分解转换器的sar图像目标识别方法 - Google Patents
基于非下采样分解转换器的sar图像目标识别方法 Download PDFInfo
- Publication number
- CN114067217A CN114067217A CN202111093034.6A CN202111093034A CN114067217A CN 114067217 A CN114067217 A CN 114067217A CN 202111093034 A CN202111093034 A CN 202111093034A CN 114067217 A CN114067217 A CN 114067217A
- Authority
- CN
- China
- Prior art keywords
- downsampling
- decomposition
- converter
- network
- layer
- 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.)
- Withdrawn
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101150061927 BMP2 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
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)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于非下采样分解转换器的SAR图像目标识别方法,属于基于深度学习的雷达目标智能识别技术领域。所述方法使用端到端的非下采样分解转换器,该转换器通过非下采样分解模块和转换器神经网络连接而成;深度神经网络的构建与训练阶段,使用非下采样分解模块进行图像分解、利用分解后的子通道图像进行特征融合、构建非下采样分解转换器网络和训练非下采样分解转换器网络;测试阶段,包含测试样本集的构建以及非下采样分解转换器网络的测试识别。所述方法解决了传统转换器网络在SAR数据集上的严重过拟合问题;在MSTAR数据集上取得了比ResNet50更高的分类准确高。
Description
技术领域
本发明涉及基于非下采样分解转换器的SAR图像目标识别方法,属于基于深度学习的雷达目标智能识别技术领域。
背景技术
合成孔径雷达可以全天时、全天候工作,并且具有一定的地表穿透能力。随着SAR雷达成像分辨率的提高,其在国土测绘、国防安全和农业发展等领域有着越来越重要的应用价值。SAR图像自动解译是图像解译的重要方向之一,人工解译大量的SAR图像几乎不可能,因此迫切需要SAR图像自动解译。近年来,深度学习技术在图像识别领域取得了巨大的发展成果,现有许多研究人员将卷积神经网络的深度学习方法应用于SAR图像目标识别领域取得了良好的效果,该类神经网络过度依赖卷积和池化操作。
由于合成孔径雷达基于电磁波散射特性进行成像的机制,导致SAR图像不可避免地会出现相干斑噪声,严重影响成像质量。相干斑噪声是影响合成孔径雷达目标识别精度的重要因素,它会降低合成孔径雷达图像的对比度,影响后向散射强度的统计特性。另外,由于SAR图像的获取成本很高,因此其数据集一般都是小样本的,小样本数据集在深度学习网络中训练时容易发生严重的过拟合现象。针对上述问题的两个解决角度,研究人员已经做了一些工作,但仍然存在一些问题:
第一,现有研究方法过分地关注基于光学图像的深度学习网络的设计,忽略了SAR图像与传统光学图像的显著的差异性。
第二,现有研究方法是基于卷积神经网络CNN的基础上进行网络改进和设计,过度依赖卷积和池化的操作,不能很好地提取SAR图像的全局特征。
第三,现有研究方法并没有针对SAR图像单通道、低分辨率、低信噪比等特点进行优化,大部分研究方法将SAR图像进行简单的三通道复制输入深度学习网络,没有充分利用神经网络可以提取不同通道特征的能力。
因此,通过非下采样拉普拉斯金字塔分解结构NSLP和转换器网络,构建了一个含噪合成孔径雷达图像目标识别并且不依赖卷积层和池化层的端到端神经网络解决方案,解决了SAR图像相干斑噪声对图像解译的影响以及SAR图像小样本数据集在神经网络上严重的过拟合现象,具有重要意义。
发明内容
本发明的目的是摆脱基于深度学习的SAR图像自动目标识别对卷积层和池化层的依赖以及解决SAR图像小样本数据集在转换器神经网络上出现的严重过拟合问题,提出了基于非下采样分解转换器的SAR图像目标识别方法。
为了达到上述目的,本发明采取如下技术方案。
所述SAR图像目标识别方法依托于一个端到端的基于非下采样分解转换器的SAR图像目标识别网络NSLP-Transformer,该目标识别网络通过非下采样分解模块和转换器神经网络连接而成;
基于非下采样分解转换器的SAR图像目标识别方法,包括网络构建与训练阶段以及测试阶段;
其中,深度神经网络的构建与训练阶段,包括非下采样分解模块进行非下采样拉普拉斯金字塔分解、利用分解后的子通道图像进行特征融合、构建转换器网络、构建非下采样分解转换器网络,训练非下采样分解转换器网络;
测试阶段,包含测试样本集的构建以及非下采样分解转换器网络的识别;
所述SAR图像目标识别方法,包括如下步骤:
步骤1、深度神经网络的构建与训练,具体包括如下子步骤:
步骤1.1:非下采样分解模块进行非下采样拉普拉斯金字塔分解,输出分解后的子通道图像;
其中,非下采样拉普拉斯金字塔分解具体通过具有平移不变性的非下采样金字塔滤波器组实现;
其中,非下采样金字塔滤波器组为K层,K的取值范围为大于等于3;输出分解后的子通道图像有K+1张;
步骤1.2:利用非下采样拉普拉斯金字塔分解后的子通道图像进行特征融合,构建特征融合后的样本集;
步骤1.3:构建转换器网络;
其中,转换器网络包含图像拆分层、降维处理层、位置编码器、Dropout层、Transformer编码器层和多层感知机MLP层;
其中,Transformer编码器层中的多头自注意力机制层由多个单独的自注意力机制层并行连接以及线性层、连接层组合而成;自注意力机制层由矩阵点乘模块和Softmax模块组成;
步骤1.4:构建非下采样分解转换器网络;
其中,非下采样分解转换器网络为包含非下采样拉普拉斯金字塔分解模块和转换器网络的多分类神经网络;
至此,构建完成非下采样分解转换器网络;
步骤1.5,训练非下采样分解转换器网络,得到训练好的分类模型;
步骤1.5,具体包含如下子步骤:
步骤1.5.1:网络参数初始化,将神经网络每层的权重参数初始化为高斯分布,并且设置合理的初始学习率;
步骤1.5.2:使用特征融合后的样本集中训练样本图像和其对应的标签对神经网络进行训练,通过交叉熵损失函数对神经网络进行有监督的学习,输出并保存训练好的分类模型;
步骤2、测试阶段,包含测试样考虑本集构建以及非下采样分解转换器网络的识别,具体包括如下步骤:
步骤2.1:测试样本集构建,具体如下:将测试样本集分解后的子通道图像进行特征融合,生成融合特征的测试样本集图像;
步骤2.2:测试样本集的识别,将处理好的测试样本集的样本图像输入到训练好的分类模型,输出模型的识别结果。
有益效果
本发明涉及非下采样拉普拉斯金字塔分解的特征融合子图以及转换器Transformer的SAR图像目标识别方法,与已有的SAR图像目标识别方法相比,具有以下有益效果:
1.所述方法通过非下采样拉普拉斯金字塔分解得到SAR图像在不同频域的特征,通过三通道图像合成特征融合后混合了原始图像轮廓边缘细节信息和相干斑噪声分布信息;
2.所述方法不依赖卷积层和池化层,采用全新的基于自注意力机制的神经网络可以提取到SAR图像的全局特征,解决了SAR小样本数据集在传统的转换器网络中严重的过拟合问题;
3.所述方法在MSTAR数据集上进行训练和测试,取得了相比于ResNet50 更好的分类准确率;其中,ResNet50是一种依赖卷积和池化操作的卷积神经网络。
附图说明
图1为本发明基于非下采样分解转换器的SAR图像目标识别方法的整体网络结构示意图,也即方法流程示意图;
图2为本发明基于非下采样分解转换器的SAR图像目标识别方法实施例1 中的3层滤波器结构的非拉普拉斯金字塔分解结构示意图;
图3为本发明基于非下采样分解转换器的SAR图像目标识别方法实施例1 中的转换器的整体结构示意图;
图4为本发明基于非下采样分解转换器的SAR图像目标识别方法实施例1 中的Transformer编码器的结构示意图;
图5为本发明基于非下采样分解转换器的SAR图像目标识别方法实施例1 中参与对比的ResNet50的结构图;
图6本发明基于非下采样分解转换器的SAR图像目标识别方法实施例1中对比网络ResNet50与本网络的测试样本识别精度随在训练集上的训练轮数的分类准确率对比曲线。
具体实施方式
为了更好的说明本方法的目的和优点,结合附图及具体实施例对本发明基于非下采样分解转换器的SAR图像目标识别方法具体实施内容做进一步详细说明。
实施例1
本实施例阐述了基于非下采样分解转换器的SAR图像目标识别方法识别 MSTAR数据集中三大类七种不同型号车辆的具体实施。
实验数据和配置如下:
(1)使用MSTAR标准数据集,该数据集是由工作于X波段的SAR雷达传感器对不同类型车辆,从不同方位角和俯仰角采集的SAR图像所构成,是SAR图像目标识别领域应用最为广泛的数据集;
(2)数据集包含3类目标,分别在0°至360°的方位角和15°、17°的俯仰角下采集;
(3)数据集中的样本尺寸为128*128;
(4)为避免SAR传感器的观测角度对目标识别准确性的影响,训练样本和测试样本均选用俯角为17°下采集SAR图像;
图1展示了本实施例基于非下采样分解转换器的SAR图像目标识别方法的整体网络结构示意图,也即方法流程示意图;
其中,图1中,input表示输入像素大小为128*128的SAR图像;NSLP表示非下采样拉普拉斯金字塔分解结构;Merge表示通过选取分解后的不同子通道的特征图进行特征融合;Transformer表示转换器模块;class表示网络模型预测输出的图像标签信息;
图2展示了本实施例基于非下采样分解转换器的SAR图像目标识别方法中的三层滤波器的非下采样拉普拉斯金字塔分解结构。Xi表示输入的MSTAR数据集中的第i张图像,H1表示高频带通滤波器,H0表示低通滤波器,表示通过对滤波器H0进行一次步长为2的上采样得到的滤波器,此图中的其它滤波器的表示也遵循上述规则。表示输入的MSTAR数据集中第i张图像通过一层滤波器后的高频子图,表示输入的MSTAR数据集中第i张图像通过二层滤波器后的高频子图,表示输入的MSTAR数据集中第i张图像通过三层滤波器后的高频子图,表示输入的MSTAR数据集中第i张图像通过三层滤波器后的低频子图;
图3展示了本实施例基于非下采样分解转换器的SAR图像目标识别方法中的转换器结构。图像拆分层Decompose into patches模块将输入大小为128*128 的图像分解为256块像素大小为8*8的图像补丁块,降维处理层Flatten into one dimension模块将每一个二维图像补丁块展平为1*64的一维向量。为了确保图像补丁块之间的相对位置关系,位置编码器层Position embedding对每个图像补丁块进行编码位置信息,Class token是人为加入的空白向量,用来存储输出结果的分类标签信息。Dropout模块表示进行Dropout操作,Dropout操作是一种防止过拟合的技术。Transformer Encoder模块表示图4所示的转换器编码器模块。 MLP为多层感知机模块,由全连接层和CeLU激活函数构成。Class Lable是最终输出的图像分类标签信息;
图4展示了本实施例基于非下采样分解转换器的SAR图像目标识别方法中的转换器结构的M层串联的转换器编码器模块。其中,Transformer编码器为6 层串联,即图4中的M为6;图4中左边中间处的斜上箭头左边为每个编码器模块的整体结构,由层归一化模块、多头自注意力机制层、Dropout层和MLP 层组成;图4中左边中间处的斜上箭头右边为多头自注意力机制层的结构,其中输入的一维向量被平均分为Q、K、V三部分。
图5展示了本实施例基于非下采样分解转换器的SAR图像目标识别方法参与对比的卷积神经网络ResNet50的结构图。其中,图5(a)为ResNet50整体结构图,(b)(c)为ResNet50子模块结构图。
以下是具体实施过程。如图1所示,基于非下采样分解转换器的SAR图像目标识别方法有两个阶段:网络构建与训练阶段以及测试阶段;
其中,网络构建与训练阶段主要包括如下步骤:
步骤A.1:构建训练样本集及标记样本,具体为:
将MSTAR中的3类不同目标数据集官方建议的训练样本作为训练集,官方建议的测试样本作为测试集;其中,目标种类具体包括:坦克:T72;装甲车: BTR70;步兵战车:BMP2;
将数据集中的SAR图像进行简单的通道复制变为每个通道完全一样的三通道图像,为步骤A.2做准备。
步骤A.2:输入到非下采样拉普拉斯金字塔分解模块,具体为:
将构建的训练集样本输入三层滤波器的非下采样拉普拉斯金字塔分解模块得到1张低频子带和3张不同的高频子带图像的主要轮廓信息和噪声分布信息不均匀地分布在各个子带上。选取进行特征融合得到包含边缘和噪声分布特征的图像。
步骤A.3:输入到转换器网络:
其中转换器网络包含图像分解层、Flatten into one dimension模块、Positionembedding模块、Transformer编码器层和Softmax分类器的多分类神经网络;
步骤A.3中的步骤具体实施时操作如下:
图像分解层将输入大小为128*128的图像分解为256块像素大小为8*8的图像补丁块,然后通过Flatten into one dimension模块将每一个图像补丁块展平为1*64的一维向量,为了确保图像补丁块之间的相对位置关系,Position embedding模块对每个图像补丁块进行编码位置信息,人为加入空白的Class token用来存储分类的标签信息。输入的一维向量被平均分为Q、K、V三部分。 Q、K、V维度相同,记为D,矩阵Z0中分别乘以3个不同的权重矩阵Wq,Wk, Wv得到对应的Q=[q1,q2,...,qn]、K=[k1,k2,...,kn]、V=[v1,v2,...,vn],为了确定序列中的一个元素和其他元素之间的相关性,计算该元素的Q和K的点积得到权重系数,然后与对应的V进行加权求和得到注意力输出h;具体的操作为:
Q=Z0Wq,Wq∈Rd×D (1)
K=Z0Wk,Wk∈Rd×D (2)
V=Z0Wv,Wv∈Rd×D (3)
多头注意力机制将Q、K、V按照头数平分为多份进行上述操作,最后将各自注意力机制的结果h拼接在一起:
MSA=Concat(h1,h2,...,hm) (5)
步骤A.4:输入到MLP分类器层:
将转换器的输出MSA在层归一化后作为MLP分类器层的输入,通过两个全连接层和中间的非线性激活函数GeLU,最后由softmax层得到分类结果;
其中层归一化可以规范优化空间,保证数据特征分布的稳定性,加速模型的收敛速度;
至此,从步骤A.1到步骤A.4,完成了该实施例的网络构建与训练阶段;
测试阶段使用测试样本集对训练样本集训练好的模型进行测试。具体步骤如下:
步骤B.1:测试样本集构建,通过非下采样拉普拉斯金字塔分解后,采取与构建训练样本集相同的方法进行特征融合构建测试样本集;最终得到测试样本集;
步骤B.2:基于非下采样分解转换器的SAR图像目标识别方法网络的识别,将测试样本输入到训练好的分类模型中,输出识别结果并统计识别精度,与先进的卷积神经网络ResNet50的识别精度进行对比,ResNet50的网络结构如图5 所示;
至此,非下采样分解转换器网络测试阶段结束。
对所有测试样本使用本发明的网络及步骤B.2所述的对比网络进行不同噪声强度下图像识别并统计识别精度,识别结果见表1和图6。
表1 SAR图像目标识别方法的识别精度
网络类型 | 总体准确率 |
NSLP-Transformer | 95.73% |
ResNet50 | 90.41% |
图6展示了本实施例基于非下采样分解转换器的SAR图像目标识别方法中参与对比的网络与本网络的测试样本识别精度随训练轮数的正确率变化对比曲线。通过分析表1和图4,能够发现:
1.对于MSTAR数据集三分类,先进的卷积神经网络ResNet50的总体分类准确率为90.41%,而NSLP-Transformer的总体分类准确率为95.73%,提高了 7.32%,在分类准确率方面有着明显的优势。
2.相比于先进的卷积神经网络ResNet50,NSLP-Transformer的收敛速度相对较慢,这是因为通过特征融合极大地丰富了数据的特征信息,同时降低了相干斑噪声的影响,指导网络在不同子带充分挖掘和利用了图像轮廓和噪声分布等特征信息。
3.不依赖卷积和池化操作的NSLP-Transformer神经网络没有出现严重的过拟合效果,取得了比卷积神经网络ResNet50更好的分类准确率。
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (7)
1.基于非下采样分解转换器的SAR图像目标识别方法,其特征在于:依托于一个端到端的基于非下采样分解转换器的SAR图像目标识别网络NSLP-Transformer,该目标识别网络通过非下采样分解模块和转换器神经网络连接而成;所述方法,包括如下步骤:
步骤1、深度神经网络的构建与训练,具体包括如下子步骤:
步骤1.1:非下采样分解模块进行非下采样拉普拉斯金字塔分解,输出分解后的子通道图像;
其中,非下采样拉普拉斯金字塔分解具体通过具有平移不变性的非下采样金字塔滤波器组实现;
步骤1.2:利用非下采样拉普拉斯金字塔分解后的子通道图像进行特征融合,构建特征融合后的样本集;
步骤1.3:构建转换器网络;
其中,转换器网络包含图像拆分层、降维处理层、位置编码器、Dropout层、Transformer编码器层和多层感知机MLP层;
步骤1.4:构建非下采样分解转换器网络;
步骤1.5,训练非下采样分解转换器网络,得到训练好的分类模型;
步骤2、测试阶段,包含测试样考虑本集构建以及非下采样分解转换器网络的识别。
2.依据权利要求1所述的基于非下采样分解转换器的SAR图像目标识别方法,其特征在于:步骤1.1中,非下采样金字塔滤波器组为K层,K的取值范围为大于等于3。
3.依据权利要求2所述的基于非下采样分解转换器的SAR图像目标识别方法,其特征在于:步骤1.1中输出分解后的子通道图像有K+1张。
4.依据权利要求3所述的基于非下采样分解转换器的SAR图像目标识别方法,其特征在于:步骤1.3中,Transformer编码器层中的多头自注意力机制层由多个单独的自注意力机制层并行连接以及线性层、连接层组合而成;自注意力机制层由矩阵点乘模块和Softmax模块组成。
5.依据权利要求4所述的基于非下采样分解转换器的SAR图像目标识别方法,其特征在于:步骤1.4中,非下采样分解转换器网络包含非下采样拉普拉斯金字塔分解模块和转换器网络的多分类神经网络。
6.依据权利要求5所述的基于非下采样分解转换器的SAR图像目标识别方法,其特征在于:步骤1.5,具体为:
步骤1.5.1:网络参数初始化,将神经网络每层的权重参数初始化为高斯分布,并且设置合理的初始学习率;
步骤1.5.2:使用特征融合后的样本集中训练样本图像和其对应的标签对神经网络进行训练,通过交叉熵损失函数对神经网络进行有监督的学习,输出并保存训练好的分类模型。
7.依据权利要求6所述的基于非下采样分解转换器的SAR图像目标识别方法,其特征在于:步骤2,具体包括如下步骤:
步骤2.1:测试样本集构建,具体如下:将测试样本集分解后的子通道图像进行特征融合,生成融合特征的测试样本集图像;
步骤2.2:测试样本集的识别,将步骤2.1生成的融合特征的测试样本集图像输入到训练好的分类模型,输出模型的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093034.6A CN114067217A (zh) | 2021-09-17 | 2021-09-17 | 基于非下采样分解转换器的sar图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111093034.6A CN114067217A (zh) | 2021-09-17 | 2021-09-17 | 基于非下采样分解转换器的sar图像目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067217A true CN114067217A (zh) | 2022-02-18 |
Family
ID=80233782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111093034.6A Withdrawn CN114067217A (zh) | 2021-09-17 | 2021-09-17 | 基于非下采样分解转换器的sar图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067217A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240078A (zh) * | 2022-06-24 | 2022-10-25 | 安徽大学 | 一种基于轻量化元学习的sar图像小样本目标检测方法 |
CN117575111A (zh) * | 2024-01-16 | 2024-02-20 | 安徽农业大学 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
-
2021
- 2021-09-17 CN CN202111093034.6A patent/CN114067217A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240078A (zh) * | 2022-06-24 | 2022-10-25 | 安徽大学 | 一种基于轻量化元学习的sar图像小样本目标检测方法 |
CN115240078B (zh) * | 2022-06-24 | 2024-05-07 | 安徽大学 | 一种基于轻量化元学习的sar图像小样本目标检测方法 |
CN117575111A (zh) * | 2024-01-16 | 2024-02-20 | 安徽农业大学 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
CN117575111B (zh) * | 2024-01-16 | 2024-04-12 | 安徽农业大学 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738124B (zh) | 基于Gabor变换和注意力的遥感图像云检测方法 | |
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN110109060B (zh) | 一种基于深度学习网络的雷达辐射源信号分选方法及*** | |
CN101546428B (zh) | 基于区域分割的序列红外与可见光图像融合 | |
CN110533077B (zh) | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 | |
CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和*** | |
CN106203444B (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 | |
CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN106778821A (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN112308152B (zh) | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 | |
CN113240040B (zh) | 一种基于通道注意力深度网络的极化sar图像分类方法 | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN114067217A (zh) | 基于非下采样分解转换器的sar图像目标识别方法 | |
CN109117880A (zh) | 基于小波包分解选择系数加权重构的瓷砖图像分类算法 | |
CN112669249A (zh) | 结合改进nsct变换和深度学习的红外与可见光图像融合方法 | |
CN104809471A (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN113421198B (zh) | 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法 | |
CN108765439A (zh) | 一种基于无人水面艇的海天线检测方法 | |
CN115512226A (zh) | 融入注意力机制多尺度CNN的LiDAR点云滤波方法 | |
Yu et al. | Application of a convolutional autoencoder to half space radar hrrp recognition | |
CN108229426B (zh) | 一种基于差分描述子的遥感图像变化向量变化检测法 | |
CN106971402B (zh) | 一种基于光学辅助的sar图像变化检测方法 | |
CN112906716A (zh) | 基于小波去噪阈值自学习的带噪sar图像目标识别方法 | |
CN116482618B (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220218 |