CN105809198B - 基于深度置信网络的sar图像目标识别方法 - Google Patents
基于深度置信网络的sar图像目标识别方法 Download PDFInfo
- Publication number
- CN105809198B CN105809198B CN201610136519.1A CN201610136519A CN105809198B CN 105809198 B CN105809198 B CN 105809198B CN 201610136519 A CN201610136519 A CN 201610136519A CN 105809198 B CN105809198 B CN 105809198B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- training
- sample
- grbm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 59
- 239000013598 vector Substances 0.000 claims description 69
- 238000012360 testing method Methods 0.000 claims description 32
- 238000001914 filtration Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000003245 working effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 102100024506 Bone morphogenetic protein 2 Human genes 0.000 description 3
- 101000762366 Homo sapiens Bone morphogenetic protein 2 Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度置信网络的SAR图像目标识别方法。其步骤为：(1)获取待识别图像样本；(2)滤波；(3)提取特征；(4)训练深度置信网络DBN；(5)目标识别；本发明采用深度置信网络，将多种参数结合起来作为输入，能够有效地解决现有技术中仅采用SAR图像的单一特征，不足以表征更全面的目标信息和利用浅层学习方法时，依赖大量人工工作导致速度慢的问题，本发明具有结合图像多种特征，获取更丰富更深层的目标信息，提高SAR图像目标识别精度的优点。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及目标识别技术领域中的一种基于深度置信网络的合成孔径雷达SAR(Synthetic Aperture Radar)目标识别方法。本发明针对SAR图像，采用深度置信网络，从而实现对SAR图像目标的自动识别并有效的提高SAR图像目标识别精度。
背景技术
随着SAR成像技术的完善和SAR数据级数倍的增加，从大量数据以及复杂的地物场景中获取并识别各类军事目标成为了研究热点。
目前关于SAR图像目标识别方面的论文专利非常多，从采取的技术路线来看，这些方法在图像预处理，特征提取，分类器设计方面各不同。有的是基于模板匹配的SAR自动目标识别方法，有的使用核主成分分析(Kernel Principal Component Analysis，KPCA)来提取目标SAR图像特征，再利用支撑向量机(Support Vector Machine，SVM)进行识别分类，还有一些基于稀疏表示的识别方法。这些方法均属于浅层学习范畴，主要依赖于特征提取，需要大量人工工作，而且仅采用SAR图像的单一特征，不足以表征更全面的目标信息，导致识别率不高。
最近深度学习在各个领域发展的如火如荼。已经在图像分割、人脸识别、目标检测等方面取得了很好的效果。
电子科技大学在其申请的专利“一种合成孔径雷达自动目标识别的方法”(专利申请号：201210338630.0，授权公告号：CN102902979B)中提出了一种合成孔径雷达自动目标识别的方法。该方法首先进行初始化数据，构造相似化矩阵和差异性矩阵，然后利用基于最大边缘准则计算目标矩阵，再计算投影矩阵并对训练和测试样本提取特征，最后根据最近邻分类器对测试样本进行分类。该方法存在的不足之处是，当训练样本数目较多、图像尺寸大时，计算复杂度明显增大，导致计算时间长，实时性差。
Sizhe Chen,Haipeng Wang,在其发表的论文“SAR Target Recognition Basedon Deep Learning”(Data Science and Advanced Analytics(DSAA),2014InternationalConference on.IEEE,2014)中提出了一种基于深度学习的SAR目标识别方法，该方法首先利用无监督学习进行预训练，得到卷积神经网络(convolution Neural Nets，CNN)的卷积核及偏置参数，用所学到的参数初始化CNN网络，最后使用训练样本训练网络，用测试样本完成分类识别。该方法存在的不足之处是，由于所采用的卷积神经网络只有一层，没有提取到更深层次的特征，导致识别率不高。
发明内容
本发明的目的是针对上述现有技术存在的不足，提出了一种基于深度置信网络的SAR图像目标识别方法。本发明与现有技术中其他SAR目标识别技术相比，识别率高，适应性强。
本发明实现的具体步骤包括如下：
(1)获取待识别图像样本；
(1a)从MSTAR数据集中任意获取已知类别标签的SAR图像作为训练样本集；
(1b)从MSTAR数据集中任意获取不同于训练样本的已知类别标签的SAR图像作为测试样本集；
(2)滤波：
对训练样本集和测试样本集中每个样本进行中值滤波，得到滤波后的训练样本集和测试样本集；
(3)提取特征：
(3a)对滤波后的训练样本集及测试样本集中的每个样本xk，进行轮廓波变换，得到41个子带图像，将41个子带图像全部投影到水平、垂直和两个对角线方向，得到164个投影向量，将164个投影向量的均值和方差组成一个向量，作为样本xk的轮廓波特征向量；
(3b)对样本xk进行归一化处理,得到图像利用曲线波变换方法，提取图像的低频子带系数，得到图像的低频子带图像采用形态学处理方法，去除图像的背景冗余，将形态学处理后的图像拉伸成向量作为样本xk的曲线波特征向量；
(3c)对样本xk下采样，得到32×32大小的图像将图像拉伸成1024维向量，得到样本xk的原始特征向量；
(3d)将样本xk的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连接，得到样本xk的特征向量A；
(4)训练深度置信网络DBN：
(4a)将滤波后训练样本集中所有样本xk的特征向量A输入三层高斯限制玻尔兹曼机GRBM中，对三层高斯限制玻尔兹曼机GRBM进行训练，得到并保存三层高斯限制玻尔兹曼机GRBM的参数及输出向量；
(4b)将输出向量输入到softmax分类器中，训练softmax分类器；
(4c)利用反向传播方法，对整个深度置信网络DBN进行微调,得到训练好的深度置信网络DBN；
(5)目标识别：
将滤波后测试样本集中所有样本xk的特征向量A输入到训练好的深度置信网络DBN中进行识别，得到样本xk的识别标签yk。
本发明与现有技术相比具有以下优点：
第一、由于本发明将合成孔径雷达SAR图像原始数据下采样得到将样本xk的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连接，，形成新的合成特征，克服了现有技术中仅采用SAR图像的单一特征，不足以表征更全面的目标信息，导致识别率不高的问题，使得本发明能全面细致地描述图像特征，提高目标识别正确率。
第二、由于本发明采用基于深度置信网络的SAR图像目标识别方法，通过训练深度置信网络DBN，得到三层高斯限制玻尔兹曼机GRBM的输出向量，克服了现有技术中利用浅层学习方法，依赖大量人工工作导致速度慢，实时性差的问题，使得本发明能自动学习图像更深层次的特征，降低了计算量和复杂度。
附图说明
图1是本发明的流程图；
图2是本发明输入的部分MSTAR目标图像；
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1，本发明实现的具体步骤如下：
步骤1，获取待识别图像样本。
从MSTAR数据集中任意获取已知类别标签的SAR图像作为训练样本集。
从MSTAR数据集中任意获取不同于训练样本的已知类别标签的SAR图像作为测试样本集。
步骤2，滤波。
对训练样本集和测试样本集中每个样本进行中值滤波，得到滤波后的训练样本集和测试样本集。
设定中值滤波模板的大小为3×3像素，将该滤波模板中心与每个样本图像中所有像素位置分别重合，读取模板下各对应像素的灰度值，将这些灰度值从小到大排列，取这一列的中间数据的灰度值，将其赋给对应模板中心位置的像素。遍历整个图像得到滤波后的样本。
步骤3，提取特征。
第1步，对滤波后的训练样本集及测试样本集中的每个样本xk，进行轮廓波变换，其中，轮廓波变换的尺度分解数为5,5次尺度分解的方向数从粗尺度到细尺度依次为：22、22、23、23、24。由此得到41个子带图像，将41个子带图像全部投影到水平、垂直和两个对角线方向，得到164个投影向量，将164个投影向量的均值和方差组成一个向量，作为样本xk的轮廓波特征向量，该特征向量大小为328维。
第2步，对滤波后的训练样本集及测试样本集中的每个样本xk，先利用下式对滤波后的每个样本图像进行非线性归一化：
其中，是非线性归一化后图像，t1,t2是图像的横、纵坐标值,1≤t1,t2≤n,f[t1,t2]是滤波后的样本图像，μ是滤波后每个样本图像所有像素值的均值，σ2是滤波后每个样本图像所有像素值的方差。
对归一化后的图像利用曲线波变换方法，按照下式，计算图像的曲线波变换系数：
其中，c表示图像的曲线波变换后的曲线波系数，t1,t2分别表示图像的横、纵坐标值，1≤t1,t2≤n，n表示图像的宽度，表示非线性归一化后的图像，表示曲线波变换基函数。
提取图像的曲线波变换后的曲线波系数c中32×32大小的低频子带系数，得到图像的低频子带图像
采用形态学处理方法，去除图像的背景冗余，将形态学处理后的图像拉伸成1024维向量作为样本xk的曲线波特征向量。
第3步，对滤波后的训练样本集及测试样本集中的每个样本xk下采样，得到32×32大小的图像将图像拉伸成1024维向量，得到样本xk的原始特征向量。
第4步，将得到的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连接，得到样本xk的特征向量A。
步骤4，训练深度置信网络DBN。
将滤波后训练样本集中所有样本xk的特征向量A输入三层高斯限制玻尔兹曼机GRBM中，对三层高斯限制玻尔兹曼机GRBM进行训练，得到并保存三层高斯限制玻尔兹曼机GRBM的第1层、第2层和第3层的输出向量。
将第1个隐藏层节点数设置为400，迭代次数epoch为3，学习率ρ为0.1。训练第1层高斯限制玻尔兹曼机GRBM，得到并保存第1层权重W1、偏置b1以及输出向量Y1。
将第2个隐藏层节点数设置为300，迭代次数epoch为3，学习率ρ为0.1。训练第2层高斯限制玻尔兹曼机GRBM，得到并保存第2层权重W2、偏置b2以及输出向量Y2。
将第3个隐藏层节点数设置为50，迭代次数epoch为3，学习率ρ为0.1。训练第3层高斯限制玻尔兹曼机GRBM，得到并保存第3层权重W3、偏置b3以及输出向量Y3。
将输出向量Y3输入到softmax分类器中，训练softmax分类器：
将softmax分类器的输入节点数设置为50，输出节点数设置为3训练代数设置为200。
按照下式，更新softmax分类器的权值矩阵中的每个列向量：
其中，W4s表示softmax分类器的权值矩阵中第s个列向量，s＝1,2,3，m表示训练样本集中的样本数目，Y3表示三层高斯限制玻尔兹曼机GRBM的第3层输出向量，1{·}表示一个指示性函数，当大括号中的值为真时，该函数的结果为1，当大括号中的值为假时，该函数的结果为0，T(i)表示训练样本的真实类标，i表示训练样本集中第i个样本，j表示训练样本集所包含的第j个类别，e表示自然常数2.718，W4l表示softmax分类器的权值矩阵中第l个列向量。保存更新后softmax分类器的权值。
利用反向传播方法，对整个深度置信网络DBN进行微调,得到训练好的深度置信网络DBN。
步骤5，目标识别：
将滤波后测试样本集中所有样本xk的特征向量A或特征向量B输入到训练好的深度置信网络DBN中进行识别，根据下式计算得到样本xk的识别标签yk:
yk＝W4*δ(W3(δ(W2δ(W1xk+b1))+b2))+b3)
其中，yk表示样本xk的识别标签，W4表示由三个列向量组成的更新后的softmax分类器的权值，δ表示sigmoid函数，W3、W2、W1分别表示三层高斯限制玻尔兹曼机GRBM的第3层权重、第2层权重和第1层权重，xk表示测试样本集中的任意一个样本，b1、b2、b3分别表示三层高斯限制玻尔兹曼机GRBM的第1层偏置、第2层偏置和第3层偏置。
将得到的测试样本集的所有样本的识别标签yk与测试样本集的真实类标比较，测试样本集中，正确分类的样本数目与测试样本集样本总数比值即为目标识别正确率。
下面结合仿真实验对本发明的效果做进一步的描述。
1、仿真实验条件：
本发明的仿真实验采用运动与静止目标的获取与识别(Moving and StationaryTarget Acquisition and Recognition,MSTAR)实测数据，实验中选用其中的三类SAR目标：BMP2装甲车、BTR70装甲车、T72主战坦克，图像成像分辨率是0.3m×0.3m，方位角覆盖范围是0～360°，图像大小为128×128像素，其中训练样本集是1161幅俯视角为15°的目标图像，测试样本是978幅俯视角为17°的目标图像。每类车型的可视化灰度图像如图2，图2(a)是BMP2装甲车训练样本，图2(b)是BTR70装甲车训练样本,图2(c)是T72主战坦克训练样本，图2(d)是BMP2装甲车测试样本，图2(e)是BTR70装甲车测试样本，图2(f)是T72主战坦克测试样本，具体数据分布如表1。硬件平台为：Intel Core2Duo CPU E6550@2.33GHZ、3GB RAM，软件平台：vs2010,MATLAB R2012a。
表1.MSTAR实验数据分布
2、实验内容与结果：
本发明首先使用1161幅训练样本训练深度置信网络DBN，得到训练好的深度置信网络DBN，然后测试978幅测试样本。应用本发明方法与三种现有技术(基于灰度的模板匹配技术、基于KPCA的SVM识别技术、基于深度学习CNN模型的识别技术)对MSTAR数据集中三种目标类型进行识别，计算各种方法的正确识别率，实验结果如表2所示。
表2.MSTAR数据目标识别结果
从表2中可以看到本发明提出的基于深度置信网络的SAR目标识别方法的识别正确率可以达到95％，本发明中利用深度置信网络提取更深层的数据信息，具有结合图像多种特征，获取更丰富更深层的目标信息，提高SAR图像目标识别精度的优点，具有重要的实际意义。
Claims (6)
1.一种基于深度置信网络的SAR图像目标识别方法，包括如下步骤：
(1)获取待识别图像样本；
(1a)从MSTAR数据集中任意获取已知类别标签的SAR图像作为训练样本集；
(1b)从MSTAR数据集中任意获取不同于训练样本的已知类别标签的SAR图像作为测试样本集；
(2)滤波：
对训练样本集和测试样本集中每个样本进行中值滤波，得到滤波后的训练样本集和测试样本集；
(3)提取特征：
(3a)对滤波后的训练样本集及测试样本集中的每个样本xk，进行轮廓波变换，得到41个子带图像，将41个子带图像全部投影到水平、垂直和两个对角线方向，得到164个投影向量，将164个投影向量的均值和方差组成一个向量，作为样本xk的轮廓波特征向量；
(3b)对样本xk进行归一化处理,得到图像利用曲线波变换方法，提取图像的低频子带系数，得到图像的低频子带图像采用形态学处理方法，去除图像的背景冗余，将形态学处理后的图像拉伸成向量作为样本xk的曲线波特征向量；
(3c)对样本xk下采样，得到32×32大小的图像将图像拉伸成1024维向量，得到样本xk的原始特征向量；
(3d)将样本xk的原始特征向量、轮廓波特征向量与曲线波特征向量首尾连接，得到样本xk的特征向量A；
(4)训练深度置信网络DBN：
(4a)将滤波后训练样本集中所有样本xk的特征向量A输入三层高斯限制玻尔兹曼机GRBM中，对三层高斯限制玻尔兹曼机GRBM进行训练，得到并保存三层高斯限制玻尔兹曼机GRBM的第1层、第2层和第3层的输出向量；
(4b)将第3层的输出向量输入到softmax分类器中，训练softmax分类器；
(4c)利用反向传播方法，对整个深度置信网络DBN进行微调,得到训练好的深度置信网络DBN；
(5)目标识别：
将滤波后测试样本集中所有样本xk的特征向量A输入到训练好的深度置信网络DBN中进行识别，得到样本xk的识别标签yk。
2.根据权利要求1所述的基于深度置信网络的SAR图像目标识别方法，其特征在于：步骤(3a)中所述的轮廓波变换的尺度分解数为5,5次尺度分解的方向数从粗尺度到细尺度依次为：22、22、23、23、24。
3.根据权利要求1所述的基于深度置信网络的SAR图像目标识别方法，其特征在于：步骤(3b)中所述曲线波变换方法的具体步骤如下：
第1步,按照下式，计算图像的曲线波变换系数：
其中，c表示图像的曲线波变换后的曲线波系数，t1,t2分别表示图像的横、纵坐标值，1≤t1,t2≤n，n表示图像的宽度，表示非线性归一化后的图像，表示曲线波变换基函数；
第2步,提取图像的曲线波变换后的曲线波系数c中32×32大小的低频子带系数，得到图像的低频子带图像
4.根据权利要求1所述的基于深度置信网络的SAR图像目标识别方法，其特征在于：步骤(4a)中所述对三层高斯限制玻尔兹曼机GRBM进行训练的具体步骤如下：
第1步，将三层高斯限制玻尔兹曼机GRBM第1个隐藏层节点数设置为400，迭代次数epoch为3，学习率ρ为0.1，训练第1层高斯限制玻尔兹曼机GRBM，得到并保存第1层权重W1、偏置b1以及输出向量Y1；
第2步，将三层高斯限制玻尔兹曼机GRBM第2个隐藏层节点数设置为300，迭代次数epoch为3，学习率ρ为0.1，训练第2层高斯限制玻尔兹曼机GRBM，得到并保存第2层权重W2、偏置b2以及输出向量Y2；
第3步，将三层高斯限制玻尔兹曼机GRBM第3个隐藏层节点数设置为50，迭代次数epoch为3，学习率ρ为0.1，训练第3层高斯限制玻尔兹曼机GRBM，得到并保存第3层权重W3、偏置b3以及输出向量Y3。
5.根据权利要求1所述的基于深度置信网络的SAR图像目标识别方法，其特征在于：步骤(4b)中所述训练softmax分类器的具体步骤如下:
第1步，将softmax分类器的输入节点数设置为50，输出节点数设置为3，训练代数设置为200；
第2步，按照下式，更新softmax分类器的权值矩阵中每个列向量：
其中，W4s表示softmax分类器的权值矩阵中第s个列向量，s＝1,2,3，m表示训练样本集中的样本数目，Y3表示三层高斯限制玻尔兹曼机GRBM的第3层输出向量，1{·}表示一个指示性函数，当大括号中的值为真时，该函数的结果为1，当大括号中的值为假时，该函数的结果为0，T(i)表示训练样本的真实类标，i表示训练样本集中第i个样本，j表示训练样本集所包含的第j个类别，e表示自然常数2.718，W4l表示softmax分类器的权值矩阵中第l个列向量；
第3步，保存更新后softmax分类器的权值。
6.根据权利要求1所述的基于深度置信网络的SAR图像目标识别方法，其特征在于：步骤(5)所述识别标签yk按照下式计算得到：
yk＝W4*δ(W3(δ(W2δ(W1xk+b1))+b2))+b3)
其中，yk表示样本xk的识别标签，W4表示由三个列向量组成的更新后的softmax分类器的权重，δ表示sigmoid函数，W3、W2、W1分别表示三层高斯限制玻尔兹曼机GRBM的第3层权重、第2层权重和第1层权重，xk表示测试样本集中的任意一个样本，b1、b2、b3分别表示三层高斯限制玻尔兹曼机GRBM的第1层偏置、第2层偏置和第3层偏置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610136519.1A CN105809198B (zh) | 2016-03-10 | 2016-03-10 | 基于深度置信网络的sar图像目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610136519.1A CN105809198B (zh) | 2016-03-10 | 2016-03-10 | 基于深度置信网络的sar图像目标识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105809198A CN105809198A (zh) | 2016-07-27 |
| CN105809198B true CN105809198B (zh) | 2019-01-08 |
Family
ID=56468073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610136519.1A Active CN105809198B (zh) | 2016-03-10 | 2016-03-10 | 基于深度置信网络的sar图像目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105809198B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203520B (zh) * | 2016-07-17 | 2019-02-19 | 西安电子科技大学 | 基于深度相关向量机的sar图像分类方法 |
| CN106328121B (zh) * | 2016-08-30 | 2017-06-27 | 南京理工大学 | 基于深度置信网络的中国传统乐器分类方法 |
| CN106355151B (zh) * | 2016-08-30 | 2019-10-01 | 电子科技大学 | 一种基于深度置信网络的三维sar图像目标识别方法 |
| CN106529458A (zh) * | 2016-10-31 | 2017-03-22 | 重庆大学 | 一种面向高光谱图像的深度神经网络空间谱分类方法 |
| CN106997460A (zh) * | 2017-03-28 | 2017-08-01 | 西安电子科技大学 | 基于深度曲线波卷积网络的sar目标识别方法 |
| CN106991397A (zh) * | 2017-03-31 | 2017-07-28 | 中国科学院电子学研究所 | 基于视觉显著性约束深度置信网络的遥感图像检测方法 |
| CN107016371A (zh) * | 2017-04-09 | 2017-08-04 | 北京工业大学 | 基于改进的深度置信网络的无人机着陆地貌分类方法 |
| CN106991411B (zh) * | 2017-04-17 | 2019-03-22 | 中国科学院电子学研究所 | 基于深度形状先验的遥感图像目标精细化提取方法 |
| CN107132516B (zh) * | 2017-05-16 | 2019-04-12 | 电子科技大学 | 一种基于深度置信网络的雷达一维距离像目标识别方法 |
| CN107154054B (zh) * | 2017-05-22 | 2020-12-08 | 西安电子科技大学 | 基于深度置信网络的极化sar影像变化检测方法 |
| CN107358205A (zh) * | 2017-07-13 | 2017-11-17 | 西安电子科技大学 | 一种基于nsct dbn的极化sar影像变化检测方法 |
| CN107884768A (zh) * | 2017-10-12 | 2018-04-06 | 上海无线电设备研究所 | 基于大数据分析技术的复杂环境自适应主动雷达系统 |
| CN108038455A (zh) * | 2017-12-19 | 2018-05-15 | 中国科学院自动化研究所 | 基于深度学习的仿生机器孔雀图像识别方法 |
| CN108226889A (zh) * | 2018-01-19 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的分类器模型训练方法 |
| CN108267724A (zh) * | 2018-01-19 | 2018-07-10 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的未知目标识别方法 |
| CN108509989B (zh) * | 2018-03-26 | 2020-04-21 | 西安电子科技大学 | 基于高斯选控玻尔兹曼机的hrrp识别方法 |
| CN109507655B (zh) * | 2018-12-11 | 2022-09-02 | 西北工业大学 | 基于导向重构与范数约束dbn的sar目标识别算法 |
| CN110009006B (zh) * | 2019-03-15 | 2021-03-26 | 华中科技大学 | 一种基于机器学习的点目标检测方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101482617B (zh) * | 2009-01-16 | 2011-06-01 | 西安电子科技大学 | 基于非下采样轮廓波的合成孔径雷达图像去噪方法 |
| CN101571594B (zh) * | 2009-06-11 | 2011-06-29 | 西安电子科技大学 | 基于曲线波变换的sar目标识别方法 |
| US8923607B1 (en) * | 2010-12-08 | 2014-12-30 | Google Inc. | Learning sports highlights using event detection |
| CN104331707A (zh) * | 2014-11-02 | 2015-02-04 | 西安电子科技大学 | 基于深度pca网络和svm的极化sar图像分类方法 |
-
2016
- 2016-03-10 CN CN201610136519.1A patent/CN105809198B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105809198A (zh) | 2016-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
| CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
| CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
| CN108776779B (zh) | 基于卷积循环网络的sar序列图像目标识别方法 | |
| CN107103338B (zh) | 融合卷积特征和集成超限学习机的sar目标识别方法 | |
| CN109766835B (zh) | 基于多参数优化生成对抗网络的sar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 | |
| CN105389550B (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
| CN108921030B (zh) | 一种sar自动目标识别方法 | |
| CN110033473B (zh) | 基于模板匹配和深度分类网络的运动目标跟踪方法 | |
| CN104459668B (zh) | 基于深度学习网络的雷达目标识别方法 | |
| CN108122008B (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
| CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
| CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
| CN108764310B (zh) | 基于多尺度多特征深度森林的sar目标识别方法 | |
| CN103824088B (zh) | 基于多信息联合动态稀疏表示的sar目标变体识别方法 | |
| CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
| CN109344880B (zh) | 基于多特征和复合核的sar图像分类方法 | |
| CN109753996B (zh) | 基于三维轻量化深度网络的高光谱图像分类方法 | |
| CN110110618B (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
| CN107862680B (zh) | 一种基于相关滤波器的目标跟踪优化方法 | |
| CN110516525A (zh) | 基于gan和svm的sar图像目标识别方法 | |
| CN102999908A (zh) | 基于改进视觉注意模型的sar机场分割方法 | |
| Elmikaty et al. | Car detection in aerial images of dense urban areas | |
| CN107563447B (zh) | 一种遥感图像中目标到目标部位的分级识别方法 |
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 |