CN105184309B - 基于cnn和svm的极化sar图像分类 - Google Patents
基于cnn和svm的极化sar图像分类 Download PDFInfo
- Publication number
- CN105184309B CN105184309B CN201510493503.1A CN201510493503A CN105184309B CN 105184309 B CN105184309 B CN 105184309B CN 201510493503 A CN201510493503 A CN 201510493503A CN 105184309 B CN105184309 B CN 105184309B
- Authority
- CN
- China
- Prior art keywords
- cnn
- layer
- sar image
- polarimetric sar
- classification
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于CNN和SVM的极化SAR图像分类方法,主要解决现有极化SAR图像分类方法分类精度不高的问题。其实现步骤为:输入滤波后的待分类的极化SAR图像;基于极化相干矩阵并考虑邻域,提取每个像素点的原始特征并归一化;训练AE网络,并利用softmax微调,得到CNN卷积层参数;将CNN池化层设置为平均池化,确定CNN池化层参数;利用CNN学习的特征送入SVM进行分类,得到极化SAR图像的分类结果。与现有的一些方法相比,本发明不仅充分考虑到图像的空间相关性,而且基于CNN提出了一种新的邻域处理方法,能够提取出更有利于极化SAR图像分类的特征,显著地提高了分类精度,可用于对极化SAR图像的地物分类和目标识别。
Description
技术领域
本发明属于图像处理技术领域,主要涉及极化SAR图像分类,具体说是一种基于CNN和SVM的极化SAR图像分类方法,可用于对极化SAR图像的地物分类和目标识别。
背景技术
极化SAR是一种高分辨主动式相干多通道微波遥感成像雷达,它是SAR的一个重要分支,具有全天候、全天时、分辨率高、可侧视成像等优点,广泛应用于军事、农业、导航、地理监视等诸多领域。极化SAR能够获得更加丰富的目标信息,在国际遥感领域受到高度重视,因此极化SAR图像分类已成为极化SAR信息处理的一个重要研究方向。
现有的极化SAR图像分类方法可以分为有监督分类和无监督分类。
有监督分类方法包括:Lee等提出的基于复Wishart分布的极化协方差矩阵监督分类方法,由于极化协方差矩阵C可以通过线性变换得到极化相干矩阵T,这样就得到Wishart分类器,这种方法要求C或T矩阵的概率密度分布函数服从复Wishart分布,对数据分布要求严格;Heermann等提出的基于后向传播神经网络的极化SAR图像分类方法,这种方法收敛速度慢,且容易陷入局部最优。
无监督分类方法包括:Cloude等提出的H/α非监督分类,它是通过Cloude目标分解得到散射熵H和平均散射角α特征参数后,根据这两个参数的范围对目标进行八分类,这种方法分类边界固定导致区域的划分过于武断,且只利用H和α这两个参数,极化信息没有得到充分利用,导致分类准确度低;Lee等提出基于Cloude目标分解和Wishart分类器的H/α-Wishart非监督分类方法,它是在原始H/α分类基础上增加了Wishart迭代,弥补了H/α分类固定边界的缺陷,但这种方法不能很好的保持各类的极化散射特性;Lee等基于Freeman分解提出了一种极化SAR图像分类方法,它主要是根据Freeman分解获得平面散射功率、二面角散射功率和体散射功率的大小对极化数据进行划分,并对初始划分进行类别合并,最后再利用Wishart分类器重新划分,这种方法保持了各类的散射特性,但存在多类别的划分及合并,计算复杂度较高。
以上方法由于是基于极化SAR图像原始数据提取特征,这样得到的特征数目比较少,而且没有充分结合极化SAR图像的极化信息和空间相关性信息,对极化SAR图像的信息提取不够充分,最后直接进行分类,致使极化SAR图像分类精度不高。
发明内容
本发明的目的在于针对已有技术的不足,提出一种基于CNN和SVM的极化SAR图像分类方法,充分利用图像的空间相关性,对原始特征空间重新学习,提取更有效的特征进行分类,提高了分类精度。
本发明是一种基于CNN和SVM的极化SAR图像分类方法,其特征在于,包括有如下步骤:
步骤1,输入滤波后的待分类的极化SAR图像,得到极化相干矩阵T,待分类的极化SAR图像本身附带有地物分布参考图,图中有对部分像素点进行类别标注。
步骤2,基于极化SAR图像的极化相干矩阵T,得到图像每个像素点的原始特征,并归一化到[0.1,0.9],使得原始特征中不同特征具有相同的量纲,方便后续操作。
步骤3,在待分类的极化SAR图像中随机选取10%的像素点,作为训练样本;为了加快速度,本发明只选取了10%的像素点作为训练样本。
步骤4,利用步骤3得到的训练样本来训练AE网络,得到AE网络参数;CNN包括多层卷积层和多层池化层,本发明中采用的CNN结构只包含一层卷积层和一层池化层,本发明中CNN卷积层参数,是采用训练AE网络来确定。
步骤5,基于步骤4得到的AE网络参数对AE网络重复地进行训练,直至满足终止条件,满足终止条件后将得到的AE网络的参数作为初始的卷积神经网络(CNN)卷积层参数θ=(W,b),其中,W是CNN卷积层的卷积核,b为CNN卷积层的偏置;终止条件为AE网络的目标函数值相邻两次的变化小于10-9。
步骤6,利用softmax分类器和待分类的极化SAR图像的地物分布参考图中已标注的像素点,微调初始的CNN卷积层参数,将微调后得到的参数作为训练好的CNN卷积层参数;训练好的CNN卷积层参数就已经确定了CNN结构中训练好的卷积层;本发明中步骤3,4,5,6是对CNN卷积层参数的学习,其中对CNN卷积层参数的学习考虑了局部感知区域,即考虑了图像空间相关性。
步骤7,本发明中CNN结构包含一层卷积层和一层池化层:将CNN池化层的池化方式设置为平均池化,池化大小为2×2。
本发明中步骤3,4,5,6,7是本发明对CNN结构的学习,其中步骤3,4,5,6通过对CNN卷积层参数的学习,确定了训练好的CNN卷积层,步骤7通过确定池化方式,确定了训练好的CNN池化层,到此为止,训练好的CNN卷积层和训练好的CNN池化层就共同构成训练好的CNN结构。
步骤8,以极化SAR图像的地物分布参考图中已标注的全部像素点为基准,按照不超过10%的采样率,随机选择每类的像素点,作为训练样本集合;训练样本集合中的像素点均具有训练样本标签。选取的训练样本集合是为了训练SVM分类器,本发明按照不超过10%的采样率,随机选择每类的像素点,不仅可以加快训练速度,而且可以说明在小样本的情况下,SVM分类器泛化能力就已经很好了。
步骤9,将训练样本集合中每个像素点的原始特征送入训练好的CNN结构,得到每个像素点相应的CNN特征;送入训练好的CNN结构包括逐步送入训练好的CNN卷积层和训练好的CNN池化层,得到CNN特征将用于训练SVM分类器。
步骤10,利用步骤9得到的训练样本集合的CNN特征以及训练样本标签去训练支持向量机(SVM)分类器,然后利用训练好的SVM分类器对极化SAR图像剩余的全部像素点逐个进行分类:即将待分类的极化SAR图像剩余的全部像素点作为测试样本,将测试样本中每个像素点的原始特征送入训练好的CNN结构,得到测试样本中每个像素点的CNN特征,然后利用测试样本中每个像素点的CNN特征输入到训练好的SVM进行分类,得到测试样本中每个像素点的类别标签;步骤8,9,10是本发明对SVM分类器的学习。
步骤11,输出分类后的极化SAR图像,并计算分类精度。
本发明中提出的方法是在对原始数据提取特征的基础上,对提取的特征重新学习,即进行深度特征学习,并考虑图像空间相关性,进而提取出更有利于极化SAR图像分类的特征,从而提高了分类精度。
本发明与现有的技术相比具有以下优点:
1.由于本发明是基于CNN对原始特征进行学习,要求数据以图像格式,即矩阵形式输入,与传统的向量形式的输入有很大不同,这样可以充分考虑到图像空间相关性,将极化信息和图像空间相关性信息结合起来,提取出更有效的特征,提高了极化SAR图像的分类精度;
2.本发明采用新的特征学习方法—CNN,它的卷积层对输入样本的图像块进行卷积操作,它的池化层再对卷积层得到的卷积图进行平均化操作,可以防止过拟合,这样可将极化SAR图像的原始特征重新进行深度学习,提取出更有利于极化SAR图像分类的特征;
3.由于极化SAR图像是基于微波相干成像原理,得到的极化SAR图像原始数据含有相干斑噪声,因此基于原始数据提取出来的原始特征的分布不确定;不论输入特征服从何种分布,AE网络都能够对输入特征很好地进行学习,本发明中采用训练AE网络来得到CNN卷积层参数,能够更好地对输入特征进行表示;
4.本发明实现了在极化SAR图像原始特征的基础上,基于CNN重新学习出新的特征,再引入SVM分类器进行分类,由于SVM分类器是建立在分类间隔最大化准则上,泛化能力强,即对测试样本的预测类别准确度高,同时实验结果也表明这种策略得到了更好的分类结果,明显地提高了极化SAR图像的分类精度。
附图说明
图1是本发明的总流程图;
图2是本发明仿真使用的一幅极化SAR图像;
图3是本发明仿真使用的极化SAR图像的地物分布参考图;
图4是对图2滤波后,用现有的Wishart分类器的方法,利用训练样本得到各类的中心,再利用Wishart距离重新判定得到的分类仿真结果图;
图5是对图2滤波后,用现有的基于目标分解—Cloude分解和Freeman分解提取特征,并考虑邻域特征,再利用SVM分类的方法得到的分类仿真结果图;
图6是对图2滤波后,用本发明对图2的分类仿真结果图。
具体实施方式
极化SAR图像相比于SAR图像具有更加丰富的极化信息,具有全天候、全天时、分辨率高、可侧视成像等优点,广泛应用于军事、农业、地理监视等诸多领域,在国际遥感领域受到高度重视,极化SAR图像处理技术主要包括去噪、融合、分类、识别等,其中极化SAR图像分类是一个重要的研究方向。现有的极化SAR图像分类技术主要是基于统计信息或者极化信息进行特征提取,希望能够提取出反映极化SAR图像的物理特性的特征,然后直接进行分类,由于这样得到的特征对图像信息提取不够充分,造成分类精度不高。
本发明针对上述问题,不仅对在原始数据基础上提取的特征重新学习,即进行深度特征学习,而且充分考虑图像空间相关性,因此显著地提高了分类精度。
实施例1
本发明是一种基于CNN和SVM的极化SAR图像分类方法,参见图1,极化SAR图像分类包括有如下步骤:
步骤1,输入滤波后的待分类的极化SAR图像,参见图2,得到极化相干矩阵T,该极化SAR图像是一副荷兰农田图,主要包括油菜籽,甜菜,土豆,苜蓿,草地,小麦,豌豆等作物和一块裸地,图中不同的颜色代表不同的类别,本例就是针对这幅极化SAR图像进行分类,而且待分类的极化SAR图像本身附带有地物分布参考图,参见图3,图中有对部分像素点进行类别标注;对待分类的图像滤波主要是进行极化精致Lee滤波。
步骤2,基于极化SAR图像的极化相干矩阵T,得到图像每个像素点的原始特征,并归一化到[0.1,0.9],使得原始特征中不同特征具有相同的量纲,方便后续操作。该步中本发明基于极化相干矩阵,并考虑了邻域信息,提取每个像素点的原始特征并归一化。
步骤3,在待分类的极化SAR图像中随机选取10%的像素点,作为训练样本;为了加快速度,本发明只选取了10%的像素点作为训练样本。
步骤4,利用步骤3得到的训练样本来训练AE网络,得到AE网络参数;CNN包括多层卷积层和多层池化层,本发明中采用的CNN结构只包含一层卷积层和一层池化层,由于不论训练样本服从何种分布,AE网络可以快速方便对它进行很好地表示,本发明中CNN卷积层参数是通过训练AE网络来确定。本发明基于CNN提出了一种新的邻域处理方法,对训练样本的图像块进行卷积操作。
步骤5,基于步骤4得到的AE网络参数对AE网络重复地进行训练,直至满足终止条件,满足终止条件后将得到的AE网络的参数作为初始的卷积神经网络(CNN)卷积层参数θ=(W,b),其中,W是CNN卷积层的卷积核,本例中设置卷积核大小为5×5,数目为20个,b为CNN卷积层的偏置;本发明中选取的终止条件为AE网络的目标函数值相邻两次的变化小于10-9。
步骤6,利用softmax分类器和待分类的极化SAR图像的地物分布参考图中已标注的像素点,微调初始的CNN卷积层参数,将微调后得到的参数作为训练好的CNN卷积层参数;
本发明中步骤4,5,6是对CNN卷积层参数的学习,其中CNN卷积层的局部感知区域考虑了图像空间相关性,基于AE网络的学习来获得CNN卷积层参数,然后又基于softmax分类器有监督方式地微调CNN卷积层参数,避免了传统的CNN卷积层参数学习耗时长且易于陷入局部最优的缺陷。
步骤7,本发明中CNN结构包含一层卷积层和一层池化层:将CNN池化层的池化方式设置为平均池化,本例中池化大小为2×2,池化尺寸的确定与图像尺寸相关,随着图像尺寸的增加,可以适当地扩大池化尺寸。
步骤3,4,5,6,7是本发明对CNN结构的学习,其中步骤7是对CNN池化层参数的确定,CNN池化方式主要有平均池化和最大池化,由于平均池化具有稳定的特点,所以本发明中采用了平均池化。
步骤8,以极化SAR图像的地物分布参考图中已标注的全部像素点为基准,按照不超过10%的采样率,随机选择每类的像素点,作为训练样本集合,相比于固定选择每类的图像块作为训练样本集合,随机选择更具有灵活性,选择出来的像素点更具有代表性,而且对噪声更具有鲁棒性,提高了泛化能力;训练样本集合中的像素点均具有训练样本标签。选取的训练样本集合是为了训练SVM分类器,本发明按照不超过10%的采样率,随机选择每类的像素点,不仅可以加快训练速度,而且可以说明在小样本的情况下,SVM分类器泛化能力就已经很好了。
步骤9,将训练样本集合中每个像素点的原始特征送入训练好的CNN结构,得到每个像素点相应的CNN特征;其中送入训练好的CNN结构包括先送入训练好的CNN卷积层,得到CNN卷积图,然后将CNN卷积图送入训练好的CNN池化层。
步骤10,利用步骤9得到的训练样本集合的CNN特征以及训练样本标签去训练支持向量机(SVM)分类器,然后利用训练好的SVM分类器对极化SAR图像剩余的全部像素点逐个进行分类:即将待分类的极化SAR图像剩余的全部像素点作为测试样本,将测试样本中每个像素点的原始特征送入训练好的CNN结构,得到测试样本中每个像素点的CNN特征,然后利用这些特征输入到训练好的SVM进行分类,得到每个像素点的类别标签;步骤8,9,10是本发明对SVM分类器进行学习。
步骤11,输出分类后的极化SAR图像,参见图6,图6中左上角灰色区域是油菜籽,左上黑色区域是裸地,中间偏下方深色区域代表甜菜,正中间深灰色区域是土豆,对照图2,图6中油菜籽,裸地,甜菜,土豆这些区域很大程度上与图2保持一致,本发明对这些区域不仅能够正确分类,杂散点很少,没有严重的错分现象,而且区域保持性很好,并计算分类精度。
本发明采用新的特征学习方法—CNN,它的卷积层对输入数据的图像块进行卷积操作,它的池化层再对卷积层得到的卷积图进行平均化操作,可以防止过拟合,这样可将极化SAR图像的原始特征重新进行深度学习,提取出更有利于极化SAR图像分类的特征。
实施例2
基于CNN和SVM的极化SAR图像分类方法同实施例1,其中步骤2中的得到图像每个像素点的原始特征,是按照如下步骤进行:
2a)由于极化相干矩阵T具有丰富的关于雷达目标的相位和幅度信息,而且都是哈密顿半正定矩阵,所以可提取维数为3×3的极化相干矩阵T的对角线元素,以及上三角位置中除去对角线元素的3个元素的实部和虚部,每个像素点共9维特征,以3×3矩阵形式表示为
其中,T11,T22,T33为极化相干矩阵T的对角线元素,real(T12),real(T13),real(T23),imag(T12),imag(T13),imag(T23)分别为极化相干矩阵T的上三角位置的3个元素的实部和虚部;
2b)由于本发明是基于CNN,所以要求以图像格式,即矩阵形式输入,而极化SAR图像每个像素点为一个样本,又考虑到图像具有空间相关性,所以本发明针对上述矩阵中每一个元素,进行N×N邻域的扩充,得到(3N)2维特征,以3N×3N矩阵形式表示,在最后一列和最后一行利用镜像对称进行填充,每个像素点的原始特征以(3N+1)×(3N+1)矩阵形式表示。本例中是进行5×5邻域的扩充,得到225维原始特征,以15×15矩阵形式表示,在最后一列和最后一行利用镜像对称进行填充,每个像素点的原始特征以16×16矩阵形式表示。
实施例3
基于CNN和SVM的极化SAR图像分类方法同实施例1-2,其中步骤5中的重复地训练AE网络得到初始的CNN卷积层参数,是按照如下步骤进行:
5a)由于CNN的卷积层涉及到局部感知区域,所以需要在每个训练样本中随机选取N×N大小图像块,本发明中选取的图像块大小为5×5;
5b)然后利用5a)选取的图像块训练AE网络,AE网络共有3层:输入层、隐藏层、输出层,它的工作原理是利用输出层逼近输入层,得到输入层特征的另一种表示,即隐藏层特征;本发明中设置CNN卷积层的卷积核数目为20个,与AE网络隐藏层神经单元数目一致,卷积核大小为5×5,与选取的图像块一致,这样就可将训练得到的AE网络的输入层与隐藏层之间的参数作为CNN卷积层的参数。
实施例4
基于CNN和SVM的极化SAR图像分类方法同实施例1-3,其中步骤6中的利用softmax分类器和待分类的极化SAR图像的地物分布参考图中已标注的像素点,微调初始的CNN卷积层参数,是按照如下步骤进行:
6a)利用极化SAR图像的地物分布参考图中已标注的像素点,送入初始的CNN卷积层参数对应的AE网络,得到AE隐藏层特征。
6b)将6a)得到的AE隐藏层特征送入softmax分类器,因为softmax分类器原理简单,易于实现对AE网络参数的微调,根据分类结果与参考图标注之间的差异,利用反向传播算法微调AE网络的参数,使得AE网络的参数进一步优化,从而得到更优的CNN卷积层的参数。
实施例5
基于CNN和SVM的极化SAR图像分类方法同实施例1-4,其中步骤9中的将训练样本集合的原始特征送入训练好的CNN结构,得到相应的CNN特征,是按照如下步骤进行:
9a)将训练样本集合的原始特征送入CNN卷积层:
Xj=g(X*Wj+aj),j=1,2,...,20
其中,X为训练样本集合的原始特征,Wj,aj分别为CNN第j个卷积核的参数和偏置,*为卷积操作,g(x)=1/(1+e-x)为激活函数,Xj为经过CNN卷积层后得到的第j个卷积图。
9b)然后将卷积图送入CNN池化层:
对每个卷积图,以2×2大小的局部区域进行不重叠平均池化操作,经过CNN卷积层和池化层,对训练样本的原始特征进行了重新学习,得到了CNN特征。
实施例6
基于CNN和SVM的极化SAR图像分类方法同实施例1-5,其中步骤10中的利用训练样本集合的CNN特征以及训练样本标签去训练SVM分类器,具体训练过程如下:
10a)SVM分类器根据间隔最大化准则构造最优分类超平面进行分类,其中最优分类超平面表示为:
f(x)=wTx+h=0
其中,w为超平面的法向量,x为CNN特征,h为超平面的截距,T表示转置;
通过求解对偶优化问题,确定参数w,h,针对输入空间线性可分情况,对偶优化问题表示如下:
s.t.αi≥0
其中,W(α)是优化目标函数,αi为Lagrange乘子,xi,xj分别为第i,j个训练样本的CNN特征,yi,yj为相应的训练样本标签,m为训练样本数目,〈·,·〉表示欧式内积;在约束条件下使得优化目标函数最大确定αi。
求解出Lagrange乘子α,然后根据求解出分类超平面的法向量w,最后在α和w都求解出的情况下,可通过求解出超平面的截距h,其中T表示转置;
这样,最优分类超平面可表示为
10b)然后在上式欧式内积〈xi,x〉的基础上,引入核函数可将输入空间中线性不可分的问题转化到高维空间,在高维空间中线性可分,典型的核函数包括多项式核函数、径向基核函数和S型核函数等,本发明中采用的核函数为径向基核函数;基本的SVM分类器是二分类器,对于多类的分类问题,在二类问题的基础上进行推广,其中具有代表性的两种算法为一对多算法和一对一算法,本发明中采用的分类算法为一对一算法。
下面给出一个实现本发明详尽的实现的例子
实施例7
基于CNN和SVM的极化SAR图像分类方法同实施例1-6,参照图1,本发明的具体实现步骤如下:
步骤1,输入滤波后的待分类的极化SAR图像,参见图2,得到极化相干矩阵T,该极化SAR图像是一副荷兰农田图,主要包括油菜籽,甜菜,土豆,苜蓿,草地,小麦,豌豆等作物和一块裸地,图中不同的颜色代表不同的类别,本发明就是针对这幅极化SAR图像进行分类,而且待分类的极化SAR图像本身附带有地物分布参考图,参见图3,图中有对部分像素点进行类别标注;对待分类的图像滤波主要是进行极化精致Lee滤波,有效去除了极化SAR图像的相干斑噪声。
步骤2,基于极化SAR图像的极化相干矩阵T,得到图像每个像素点的原始特征,并归一化到[0.1,0.9],使得原始特征中不同特征具有相同的量纲,方便后续操作。
2a)由于极化相干矩阵T具有丰富的关于雷达目标的相位和幅度信息,而且都是哈密顿半正定矩阵,所以可提取维数为3×3的极化相干矩阵T的对角线元素,以及上三角位置中除去对角线元素的3个元素的实部和虚部,每个像素点共9维特征,以3×3矩阵形式表示为
其中,T11,T22,T33为极化相干矩阵T的对角线元素,real(T12),real(T13),real(T23),imag(T12),imag(T13),imag(T23)分别为极化相干矩阵T的上三角位置的3个元素的实部和虚部;
2b)由于本发明是基于CNN,所以要求输入样本以图像格式,即矩阵形式输入,而极化SAR图像每个像素点为一个样本,又考虑到图像具有空间相关性,所以本发明针对上述矩阵中每一个元素,进行7×7邻域的扩充,得到441维原始特征,以21×21矩阵形式表示,在最后一列和最后一行利用镜像对称进行填充,每个像素点的原始特征以22×22矩阵形式表示,将每个像素点的原始特征设置为偶数尺寸是为了适合做CNN卷积处理和后续的不重叠池化。
步骤3,在待分类的极化SAR图像中随机选取10%的像素点,作为训练样本;为了加快速度,本发明只选取了10%的像素点作为训练样本。
步骤4,利用步骤3得到的训练样本来训练AE网络,得到AE网络参数;CNN包括多层卷积层和多层池化层,本发明中采用的CNN结构只包含一层卷积层和一层池化层,由于不论训练样本服从何种分布,AE网络可以对它进行很好地表示,所以本发明中CNN卷积层参数是通过训练AE网络来确定。
步骤5,基于步骤4得到的AE网络参数对AE网络重复地进行训练,直至满足终止条件,满足终止条件后将得到的AE网络的所有参数作为初始的卷积神经网络(CNN)卷积层参数θ=(W,b),其中,W是CNN卷积层的卷积核,本例中设置卷积核大小为5×5,数目为20个,b为CNN卷积层的偏置;本发明中选取的终止条件为AE网络的目标函数值相邻两次的变化小于10-9。
5a)由于CNN的卷积层涉及到局部感知区域,所以需要在每个训练样本中随机选取图像块,由于在生成极化SAR图像每个像素点的原始特征时采用的是5×5邻域的扩充,为了保持一致,本例中在每个训练样本中也随机选取5×5图像块;
5b)然后利用5a)选取的图像块训练AE网络,AE网络共有3层:输入层、隐藏层、输出层,它的工作原理是利用输出层逼近输入层,得到输入层特征的另一种表示,即隐藏层特征;本例中设置CNN卷积层的卷积核数目为20个,与AE网络隐藏层神经单元数目一致,卷积核大小为5×5,与选取的图像块一致,这样就可将训练得到的AE网络的输入层与隐藏层之间的参数作为CNN卷积层的参数。
步骤6,利用待分类的极化SAR图像的地物分布参考图中已标注的像素点和softmax分类器,有监督方式地微调初始的CNN卷积层参数,将微调后得到的参数作为训练好的CNN卷积层参数;
本发明中步骤4,5,6是对CNN卷积层参数的学习,它是基于AE网络的学习来获得CNN卷积层参数,然后又基于softmax分类器有监督方式地微调,避免了传统的CNN卷积层参数学习耗时长且易于陷入局部最优的缺陷。
6a)利用极化SAR图像的地物分布参考图中已标注的像素点,送入初始的CNN卷积层参数对应的AE网络,得到AE隐藏层特征;
6b)将6a)得到的AE隐藏层特征送入softmax分类器,根据分类结果与参考图标注之间的差异,利用反向传播算法微调AE网络的参数,使得AE网络的参数进一步优化,从而得到更优的CNN卷积层的参数。
步骤7,本发明中CNN结构包含一层卷积层和一层池化层:将CNN池化层的池化方式设置为平均池化,池化大小为2×2;
步骤3,4,5,6,7是本发明对CNN结构的学习,其中步骤7是对CNN池化层参数的确定,CNN池化方式主要有平均池化和最大池化,由于平均池化具有稳定的特点,所以本发明中采用了平均池化。
步骤8,以极化SAR图像的地物分布参考图中已标注的全部像素点为基准,按照不超过10%的采样率,随机选择每类的像素点,作为训练样本集合,相比于固定选择每类的图像块作为训练样本集合,随机选择更具有灵活性,选择出来的像素点更具有代表性,而且对噪声更具有鲁棒性,提高了泛化能力;训练样本集合中的像素点均具有训练样本标签。本发明按照不超过10%的采样率,随机选择每类的像素点,本例中每类选取500个像素点,采样率在5%左右,作为训练样本集合。
步骤9,将训练样本集合的原始特征送入训练好的CNN结构,得到相应的CNN特征;其中送入训练好的CNN结构包括先送入训练好的CNN卷积层,得到CNN卷积图,然后将CNN卷积图送入训练好的CNN池化层。
9a)将训练样本集合的原始特征送入CNN卷积层:
Xj=g(X*Wj+aj),j=1,2,...,20
其中,X为训练样本集合的原始特征,Wj,aj分别为CNN第j个卷积核的参数和偏置,*为卷积操作,g(x)=1/(1+e-x)为激活函数,Xj为经过CNN卷积层后得到的第j个卷积图;
9b)然后将卷积图送入CNN池化层:
对每个卷积图,以2×2大小的局部区域进行不重叠平均池化操作,经过CNN卷积层和池化层,对训练样本的原始特征进行了重新学习,得到了CNN特征。
步骤10,利用步骤9得到的训练样本集合的CNN特征以及训练样本标签去训练支持向量机(SVM)分类器,然后利用训练好的SVM分类器对极化SAR图像剩余的像素点逐个进行分类:即将待分类的极化SAR图像剩余的像素点作为测试样本,将测试样本的原始特征送入训练好的CNN结构,得到测试样本的CNN特征,然后利用这些特征输入到训练好的SVM进行分类,得到每个像素点的类别标签;步骤8,9,10是本发明对SVM分类器进行学习。
10a)SVM分类器根据间隔最大化准则构造最优分类超平面进行分类,其中最优分类超平面表示为:
f(x)=wTx+h=0
其中,w为超平面的法向量,x为CNN特征,h为超平面的截距,T表示转置;
参数w,h的确定是通过求解对偶优化问题,针对输入空间线性可分问题,对偶优化问题表示如下:
s.t.αi≥0
其中,αi为Lagrange乘子,xi,xj分别为第i,j个训练样本的CNN特征,yi,yj为相应的训练样本标签,m为训练样本数目,〈·,·〉表示欧式内积;
求解出Lagrange乘子α,然后根据求解出分类超平面的法向量w,最后在α和w都求解出的情况下,可通过求解出超平面的截距h,其中T表示转置;
这样,最优分类超平面可表示为
10b)然后在上式欧式内积〈xi,x〉的基础上,引入核函数可将输入空间中线性不可分的问题转化到高维空间,在高维空间中线性可分,典型的核函数包括多项式核函数、径向基核函数和S型核函数等,本发明中采用的核函数为径向基核函数K〈xi,x〉=exp(-(xi-x)2/2);基本的SVM分类器是二分类器,对于多类的SVM分类问题,可以在二类问题的基础上进行推广,其中具有代表性的两种推广算法为一对多算法和一对一算法,这些推广算法是对SVM二分类器进行推广的常用算法,本发明中采用的推广算法为一对一算法。一对一的算法是指对于多类分类问题,分别组合多类中的两类构造SVM二分类器,判定类别,最后对类别进行投票作为最后的分类结果。还可以采用一对多算法,一对多算法是指对于多类分类问题,分别将多类中的某一类作为正类,将剩余的所有类作为负类,构造SVM二分类器,判定类别,最后对类别进行投票作为最后的分类结果。
步骤11,输出分类后的极化SAR图像,并计算分类精度。
11a)利用SVM分类器预测每个像素点的类别,将红色R、绿色G、蓝色B作为三基色,按照三基色上色法进行上色,得到上色后的极化SAR图像,然后将其输出;
11b)将极化SAR图像得到的预测类别与参考图中,即图2中已标注的地物类别进行比较,将类别一致的像素个数与全部像素个数的比值作为极化SAR图像的分类精度。
本发明实现了在极化SAR图像原始特征的基础上,基于CNN进行深度学习出新的特征,充分考虑了极化SAR图像的空间相关性和极化信息,再引入SVM分类器进行分类,SVM分类器是建立在分类间隔最大化准则上,基于输入的CNN特征构造最优分类超平面,泛化能力强,即对测试样本的预测类别准确度高,明显地提高了极化SAR图像的分类精度。
本发明的效果还可以通过仿真进一步说明
实施例8
基于CNN和SVM的极化SAR图像分类方法同实施例1-7,
1、实验条件与方法
硬件平台为:Intel(R)Xeon(R)CPU E5606@2.13GHZ、8.00GB RAM;
软件平台为:MATLAB R2014a;
实验方法:分别为本发明和现有的Wishart分类器的方法以及基于Cloude分解和Freeman分解提取特征,再利用SVM分类的方法,其中现有的这两种方法都是极化SAR图像分类中经典的方法。
2、仿真内容与结果
利用本发明和现有的Wishart分类器的方法以及基于Cloude分解和Freeman分解提取特征,再利用SVM分类的方法分别对图2所示的Flevoland农田极化SAR图像进行分类仿真,分类结果见图4到图6,其中,图4为Wishart分类器方法分类结果图,图5为基于Cloude分解和Freeman分解提取特征,再利用SVM分类的结果图,图6为本发明的分类结果图。
仿真实验中,根据图3所示的地物分布参考图,随机选取每类500个像素点,即按照不超过10%的采样率,随机选择每类的像素点,作为训练样本集合,在剩余的全部样本上计算精度,应用各类分类精度和平均分类精度作为评价指标。
评价结果如表1所示,其中,Alg1是Wishart分类器的方法,Alg2是基于Cloude分解和Freeman分解提取特征,再利用SVM分类的方法,Alg3是本发明的方法。
表1.本发明和两种对比方法在仿真实验中得到的各类分类精度和平均分类精度
3.实验结果分析
对比Wishart分类器方法得到的分类结果图4、基于Cloude分解和Freeman分解,并考虑5×5邻域提取特征,再利用SVM分类的方法得到的分类结果图5和本发明得到的分类结果图6以及表1可以看出,图6所示的本发明相对于其他两种方法明显得到了更好的实验结果,图6不仅杂散点少,而且保持了区域一致性与连贯性,每类分类精度都高于两种对比方法,平均分类精度明显地提高;图4所示的Wishart分类器方法得到的分类结果虽然区域边缘划分相对平滑,但杂散点较多,丢失了图像的细节信息;图5所示的基于Cloude分解和Freeman分解提取特征,再利用SVM分类的方法能够有效的正确分类,但是杂散点较多,而且有严重的错分现象。
综上所述,本发明提出的基于CNN和SVM的极化SAR图像分类方法能够明显地提高极化SAR图像分类精度,不仅有效的去除了噪声影响,保持了区域一致性与连贯性,而且可用于对各种极化SAR图像分类。
本发明公开的基于CNN和SVM的极化SAR图像分类方法,主要解决现有极化SAR图像分类方法分类精度不高的问题。其实现步骤为:输入滤波后的待分类的极化SAR图像;基于极化相干矩阵并考虑邻域,提取每个像素点的原始特征并归一化;训练AE网络,并利用softmax微调,得到CNN卷积层参数;将CNN池化层设置为平均池化,确定CNN池化层参数;利用CNN学习的特征送入SVM进行分类,得到极化SAR图像的分类结果。本发明与现有的一些方法相比,不仅充分考虑到图像的空间相关性,而且基于CNN提出了一种新的邻域处理方法,能够提取出更有利于极化SAR图像分类的特征,显著地提高了分类精度,可用于对极化SAR图像的地物分类和目标识别。
Claims (6)
1.一种基于CNN和SVM的极化SAR图像分类方法,其特征在于,包括有如下步骤:
步骤1,输入滤波后的待分类的极化SAR图像,得到极化相干矩阵T;
步骤2,基于极化SAR图像的极化相干矩阵T,得到图像每个像素点的原始特征,并归一化到[0.1,0.9];
步骤3,在待分类的极化SAR图像中随机选取10%的像素点,作为训练样本;
步骤4,利用训练样本来训练AE网络,得到AE网络参数;
步骤5,基于步骤4得到的AE网络参数对AE网络重复地进行训练,直至满足终止条件,满足终止条件后将得到的AE网络的参数作为初始的卷积神经网络卷积层参数θ=(W,b),其中,W是CNN卷积层的卷积核,b为CNN卷积层的偏置;终止条件为AE网络的目标函数值相邻两次的变化小于10-9;
步骤6,利用softmax分类器和待分类的极化SAR图像的地物分布参考图中已标注的像素点,微调初始的CNN卷积层参数,将微调后得到的参数作为训练好的CNN卷积层参数;
步骤7,CNN结构包含一层卷积层和一层池化层:将CNN池化层的池化方式设置为平均池化;
步骤8,以极化SAR图像的地物分布参考图中已标注的全部像素点为基准,按照不超过10%的采样率,随机选择每类的像素点,作为训练样本集合;
步骤9,将训练样本集合的原始特征送入训练好的CNN结构,得到相应的CNN特征;
步骤10,利用训练样本集合的CNN特征以及训练样本标签去训练支持向量机分类器,然后利用训练好的SVM分类器对极化SAR图像剩余的像素点逐个进行分类;
步骤11,输出分类后的极化SAR图像,并计算分类精度。
2.根据权利要求1所述的基于CNN和SVM的极化SAR图像分类方法,其特征在于,其中步骤2所述的得到图像每个像素点的原始特征,是按照如下步骤进行:
2a)提取维数为3×3的极化相干矩阵T的对角线元素,以及上三角位置中除去对角线元素的3个元素的实部和虚部,每个像素点共9维特征,以3×3矩阵形式表示为
其中,T11,T22,T33为极化相干矩阵T的对角线元素,real(T12),real(T13),real(T23),imag(T12),imag(T13),imag(T23)分别为极化相干矩阵T的上三角位置的3个元素的实部和虚部;
2b)对上述矩阵中每一个元素,进行N×N邻域的扩充,得到(3N)2维特征,以3N×3N矩阵形式表示,在最后一列和最后一行利用镜像对称进行填充,每个像素点的原始特征以(3N+1)×(3N+1)矩阵形式表示。
3.根据权利要求1所述的基于CNN和SVM的极化SAR图像分类方法,其特征在于,其中步骤5所述的重复地训练AE网络得到初始的CNN卷积层参数,是按照如下步骤进行:
5a)在每个训练样本中随机选取N×N大小图像块;
5b)利用5a)选取的图像块训练AE网络,AE网络共有3层:输入层、隐藏层、输出层,利用输出层逼近输入层,得到输入层特征的另一种表示,即隐藏层特征;设置CNN卷积层的卷积核数目为M,与AE网络隐藏层神经单元数目一致,卷积核大小为N×N,与选取的图像块一致,将训练得到的AE网络的输入层与隐藏层之间的参数作为CNN卷积层的参数。
4.根据权利要求1所述的基于CNN和SVM的极化SAR图像分类方法,其特征在于,其中步骤6所述的利用softmax分类器和待分类的极化SAR图像的地物分布参考图中已标注的像素点,微调初始的CNN卷积层参数,是按照如下步骤进行:
6a)利用极化SAR图像的地物分布参考图中已标注的像素点,送入初始的CNN卷积层参数对应的AE网络,得到AE隐藏层特征;
6b)将6a)得到的AE隐藏层特征送入softmax分类器,根据分类结果与参考图标注之间的差异,利用反向传播算法微调AE网络的参数,使得AE网络的参数进一步优化,从而得到更优的CNN卷积层的参数。
5.根据权利要求1所述的基于CNN和SVM的极化SAR图像分类方法,其特征在于,其中步骤9所述的将训练样本集合的原始特征送入训练好的CNN结构,得到相应的CNN特征,是按照如下步骤进行:
9a)将训练样本集合的原始特征送入CNN卷积层:
Xj=g(X*Wj+aj),j=1,2,...,M
其中,X为训练样本集合的原始特征,Wj,aj分别为CNN第j个卷积核的参数和偏置,M为卷积核数目,*为卷积操作,g(x)=1/(1+e-x)为激活函数,Xj为经过CNN卷积层后得到的第j个卷积图;
9b)然后将卷积图送入CNN池化层:
对每个卷积图,以2×2大小的局部区域进行不重叠平均池化操作;经过CNN卷积层和池化层,对训练样本的原始特征进行了重新学习,得到了CNN特征。
6.根据权利要求1所述的基于CNN和SVM的极化SAR图像分类方法,其特征在于,其中步骤10所述的利用训练样本集合的CNN特征以及训练样本标签去训练SVM分类器,具体训练过程如下:
10a)SVM分类器根据间隔最大化准则构造最优分类超平面进行分类,其中最优分类超平面表示为:
f(x)=wTx+h=0
其中,w为超平面的法向量,x为CNN特征,h为超平面的截距,T表示转置;
通过求解对偶优化问题,确定参数w,h,针对输入空间线性可分情况,对偶优化问题表示如下:
s.t.αi≥0
其中,W(α)是优化目标函数,αi为Lagrange乘子,xi,xj分别为第i,j个训练样本的CNN特征,yi,yj为相应的训练样本标签,m为训练样本数目,<·,·>表示欧式内积;在约束条件下使得优化目标函数最大确定αi;
求解出Lagrange乘子α,根据求解出分类超平面的法向量w,最后在α和w都求解出的情况下,通过求解出超平面的截距h,其中T表示转置;
最优分类超平面表示为
10b)在上式欧式内积<xi,x>的基础上,引入核函数将输入的线性不可分空间转化到高维空间,在高维空间中线性可分,采用的核函数为径向基核函数;对于多类的SVM分类问题,在二类问题的基础上进行推广,采用的推广算法为一对一算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510493503.1A CN105184309B (zh) | 2015-08-12 | 2015-08-12 | 基于cnn和svm的极化sar图像分类 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510493503.1A CN105184309B (zh) | 2015-08-12 | 2015-08-12 | 基于cnn和svm的极化sar图像分类 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184309A CN105184309A (zh) | 2015-12-23 |
CN105184309B true CN105184309B (zh) | 2018-11-16 |
Family
ID=54906373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510493503.1A Active CN105184309B (zh) | 2015-08-12 | 2015-08-12 | 基于cnn和svm的极化sar图像分类 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184309B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654117B (zh) * | 2015-12-25 | 2019-01-25 | 西北工业大学 | 基于sae深度网络的高光谱图像空谱联合的分类方法 |
CN107203775B (zh) * | 2016-03-18 | 2021-07-27 | 斑马智行网络(香港)有限公司 | 一种图像分类的方法、装置和设备 |
CN105894013B (zh) * | 2016-03-29 | 2019-04-23 | 西安电子科技大学 | 基于cnn和smm的极化sar图像分类方法 |
CN105913087B (zh) * | 2016-04-11 | 2019-05-21 | 天津大学 | 基于最优池化卷积神经网络的物体识别方法 |
CN105975994B (zh) * | 2016-05-19 | 2019-05-21 | 西安电子科技大学 | 基于非相似性变换一类svm模型的sar目标鉴别方法 |
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 |
CN106228124B (zh) * | 2016-07-17 | 2019-03-08 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
CN107688576B (zh) * | 2016-08-04 | 2020-06-16 | 中国科学院声学研究所 | 一种cnn-svm模型的构建及倾向性分类方法 |
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 |
CN106338521B (zh) * | 2016-09-22 | 2019-04-12 | 华中科技大学 | 增材制造表面及内部缺陷与形貌复合检测方法及装置 |
CN106408030B (zh) * | 2016-09-28 | 2019-06-25 | 武汉大学 | 基于中层语义属性和卷积神经网络的sar图像分类方法 |
CN106650795B (zh) * | 2016-12-01 | 2020-06-12 | 携程计算机技术(上海)有限公司 | 酒店房型图像的排序方法 |
US10402688B2 (en) * | 2016-12-07 | 2019-09-03 | Kla-Tencor Corporation | Data augmentation for convolutional neural network-based defect inspection |
CN106780727B (zh) * | 2016-12-27 | 2020-09-08 | 深圳市捷顺科技实业股份有限公司 | 一种车头检测模型重建方法及装置 |
WO2018152741A1 (en) * | 2017-02-23 | 2018-08-30 | Nokia Technologies Oy | Collaborative activation for deep learning field |
CN107103338B (zh) * | 2017-05-19 | 2020-04-28 | 杭州电子科技大学 | 融合卷积特征和集成超限学习机的sar目标识别方法 |
CN107256414A (zh) * | 2017-06-27 | 2017-10-17 | 哈尔滨工业大学 | 基于空域特征图谱的极化sar图像卷积神经网络分类方法 |
CN107742133A (zh) * | 2017-11-08 | 2018-02-27 | 电子科技大学 | 一种用于极化sar图像的分类方法 |
US20190205738A1 (en) * | 2018-01-04 | 2019-07-04 | Tesla, Inc. | Systems and methods for hardware-based pooling |
CN109063750B (zh) * | 2018-07-17 | 2022-05-13 | 西安电子科技大学 | 基于cnn和svm决策融合的sar目标分类方法 |
CN109492593B (zh) * | 2018-11-16 | 2021-09-10 | 西安电子科技大学 | 基于主成分分析网络和空间坐标的高光谱图像分类方法 |
CN110110579A (zh) * | 2019-02-21 | 2019-08-09 | 中国科学院电子学研究所 | 一种极化sar图像分类方法、装置及存储介质 |
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 |
CN110909672A (zh) * | 2019-11-21 | 2020-03-24 | 江苏德劭信息科技有限公司 | 一种基于双流卷积神经网络和svm的抽烟动作识别方法 |
CN111160428A (zh) * | 2019-12-17 | 2020-05-15 | 金陵科技学院 | 基于cnn-svm算法蔬菜自动识别方法 |
CN111259912B (zh) * | 2020-01-13 | 2023-05-12 | 金陵科技学院 | 一种基于ae-svm变电站巡检机器人的仪表图像识别方法 |
CN111325158B (zh) * | 2020-02-25 | 2022-09-02 | 中国电子科技集团公司第五十四研究所 | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 |
CN112884007B (zh) * | 2021-01-22 | 2022-08-09 | 重庆交通大学 | 一种像素级统计描述学习的sar图像分类方法 |
CN113065592A (zh) * | 2021-03-31 | 2021-07-02 | 上海商汤智能科技有限公司 | 图像分类方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156736A (zh) * | 2014-09-05 | 2014-11-19 | 西安电子科技大学 | 基于sae和idl的极化sar图像分类方法 |
CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
-
2015
- 2015-08-12 CN CN201510493503.1A patent/CN105184309B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156736A (zh) * | 2014-09-05 | 2014-11-19 | 西安电子科技大学 | 基于sae和idl的极化sar图像分类方法 |
CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
Non-Patent Citations (1)
Title |
---|
SAR ATR based on Support Vector Machines and Independent Component Analysis;Li Maokuan;《International Conference on Radar》;20071231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105184309A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
Zhou et al. | Polarimetric SAR image classification using deep convolutional neural networks | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN106778821B (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN104063719B (zh) | 基于深度卷积网络的行人检测方法及装置 | |
Yu et al. | Leaf spot attention network for apple leaf disease identification | |
CN102842032B (zh) | 基于多模式组合策略的移动互联网色情图像识别方法 | |
CN104331706B (zh) | 基于rbm和svm的极化sar图像分类 | |
CN104732244B (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN103996047B (zh) | 基于压缩谱聚类集成的高光谱图像分类方法 | |
CN107506740A (zh) | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 | |
CN104462494B (zh) | 一种基于无监督特征学习的遥感图像检索方法及系统 | |
CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
CN106815604A (zh) | 基于多层信息融合的注视点检测方法 | |
CN106023065A (zh) | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 | |
Ghosh et al. | A novel approach to neuro-fuzzy classification | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN107358258A (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
Chowdhury et al. | A novel texture feature based multiple classifier technique for roadside vegetation classification | |
CN104182772A (zh) | 一种基于深度学习的手势识别方法 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN107247956A (zh) | 一种基于网格判断的快速目标检测方法 | |
CN105138970A (zh) | 基于空间信息的极化sar图像分类方法 | |
CN105005789B (zh) | 一种基于视觉词汇的遥感图像地物分类方法 |
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 |