CN105913073B - 基于深度增量支持向量机的sar图像目标识别方法 - Google Patents
基于深度增量支持向量机的sar图像目标识别方法 Download PDFInfo
- Publication number
- CN105913073B CN105913073B CN201610206108.5A CN201610206108A CN105913073B CN 105913073 B CN105913073 B CN 105913073B CN 201610206108 A CN201610206108 A CN 201610206108A CN 105913073 B CN105913073 B CN 105913073B
- Authority
- CN
- China
- Prior art keywords
- sample
- indicate
- vector
- training
- supporting vector
- 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
Abstract
本发明公开了一种基于深度增量支持向量机的SAR图像目标识别方法。其步骤为:(1)输入SAR图像;(2)图像预处理;(3)构建初始训练集和增量训练集;(4)初始化深度增量支持向量机;(5)计算测试样本的初始识别率;(6)更新深度增量支持向量机;(7)计算测试样本的识别率;本发明结合了增量学习和深度学习的优点,采用深度增量支持向量机对SAR图像进行目标识别,能处理增量训练样本,并且可以获取更具判别性的深层目标信息。本发明具有提高SAR图像目标识别精度,减少训练时间的优点。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及合成孔径雷达图像目标识别技术领域中一种基于深度增量支撑向量机(Support Vector Machine,SVM)的合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别方法。本发明针对SAR图像,采用深度增量SVM对SAR图像进行目标识别,可用于合成孔径雷达SAR图像的目标识别。
背景技术
合成孔径雷达(SAR)具有全天候、远距离、极强的穿透力和高分辨率等特点,在国民经济和军事领域中都有着广泛的应用。面对不断增长的SAR图像数据采集能力,如何对这些图像进行准确快速的理解和识别已经越来越引起人们的关注和重视。
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,这些方法涉及图像预处理,特征提取和分类器设计等方面。有的是基于模板匹配的SAR自动目标识别方法,有的使用深度学习来提取目标SAR图像特征,再利用SVM进行识别分类,这些方法均属于离线学习范畴,当训练样本增加或减少时,必须重新训练所有的样本,不能处理增量数据。
电子科技大学在其申请的专利“一种SAR图像目标识别方法”(专利申请号:201210201460.1,公开号:CN102737253A)中公开了一种SAR图像目标识别方法。该方法利用稀疏表示理论将目标数据表示为训练样本的线性组合,通过求解最优化问题得到了具有可区分能力的近似非负稀疏系数,然后基于各类别系数和的大小确定样本的类别。该方法通过非负约束保证测试图像均为各训练样本的非负加权和,更有利于识别。但是,该方法仍然存在的不足之处是,当训练样本数目改变时,必须重新组合所有训练样本,计算复杂度明显增大,导致训练时间长,识别效率低,实时性差。
西安电子科技大学在其申请的专利“基于稀疏最小二乘支撑向量机的SAR目标识别方法”(专利申请号:200910022648.8,公开号:CN101551856A)中公开了一种基于稀疏最小二乘支撑向量机的SAR图像目标识别方法。该方法首先通过对已知类别信息的目标图像和待识别图像分别进行特征提取,得到训练样本和测试样本,然后对训练样本采用增量学习和逆学习相结合的方法进行迭代训练,选出稀疏的支撑向量集合,得到该集合中支撑向量所对应的拉格朗日乘子和偏斜量,然后使用分类决策函数对测试样本进行识别。该方法存在的不足之处是,由于采用浅层学习方法,使得学习到的特征不能很好的表示原始图像,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增量支持向量机的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,训练时间短。
本发明实现的具体步骤包括如下:
(1)输入SAR图像:
输入MSTAR数据集中选定的已知类别标签的训练样本集和测试样本集;
(2)图像预处理:
(2a)对训练样本集和测试样本集分别进行二维离散小波变换,得到训练样本集和测试样本集的低频图像;
(2b)采用主成分分析PCA降维方法,分别对训练样本集和测试样本集的低频图像进行降维处理,得到降维后的训练样本集和测试样本集;
(2c)采用主成分分析PCA白化方法,分别对降维后的训练样本集和测试样本集进行白化处理,得到预处理后的训练样本集和测试样本集;
(3)构建初始训练集和增量训练集:
(3a)从预处理后的训练样本集的每类样本中随机选取10%的样本组成初始训练集;
(3b)将训练样本集的每类样本中所有剩余的样本混合,将混合后的样本均分成10份,组成10个增量训练集;
(4)初始化深度增量支持向量机:
(4a)采用增量学习方法,将初始训练集输入到深度支持向量机中的第一层支持向量机进行训练,得到初始训练样本的支持向量以及支持向量对应的拉格朗日乘子和类别标签;
(4b)采用特征值计算公式,计算初始训练样本的所有支持向量对应的特征值;
(4c)将初始训练样本所有支持向量对应的特征值输入到深度支持向量机中的第二层支持向量机进行训练,得到初始的深度增量支持向量机;
(5)计算测试样本的初始识别率:
(5a)将图像预处理后的测试样本输入到初始的深度增量支持向量机进行识别,得到测试样本的预测类别标签;
(5b)按照下式,计算测试样本的初始识别率:
其中,a表示测试样本的初始识别率,size表示求个数操作,p表示测试样本的预测类别标签,l表示测试样本的真实类别标签;
(6)将深度增量支持向量机的更新次数k设置为1;
(7)更新深度增量支持向量机:
任选一个增量训练集输入第k-1次更新后的深度增量支持向量机中进行增量训练,得到第k次更新后的深度增量支持向量机;
(8)计算测试样本的识别率:
(8a)将预处理后的测试样本输入第k次更新后的深度增量支持向量机进行识别,得到测试样本的预测类别标签;
(8b)按照下式,计算测试样本的识别率:
其中,c表示测试样本的识别率,size表示求个数操作,p表示测试样本的预测类别标签,l表示测试样本的真实类别标签;
(9)判断是否训练完所有的增量训练集,若是,则执行步骤(10),否则,将深度增量支持向量机的更新次数k加1,执行步骤(7);
(10)结束。
本发明与现有技术相比具有以下优点:
第一、由于本发明采用增量学习方法对合成孔径雷达SAR图像进行学习和目标识别,克服了现有技术中当训练样本数目改变时,必须重新学习所有训练样本,从而导致的计算复杂度大,训练时间长,实时性差的问题,使得本发明能处理增量的数据,训练时间大大降低,实时性好。
第二、由于本发明采用基于深度增量支持向量机的SAR图像目标识别方法,通过训练深度支持向量机,得到SAR图像的深层的有判别性的特征,克服了现有技术中利用浅层学习方法,学习到的特征不能很好的表示原始图像,识别率不高的问题,使得本发明能自动学习图像更深层次的特征,提高了SAR图像的目标识别率。
附图说明
图1是本发明的流程图;
图2是本发明输入的MSTAR数据集中部分目标训练图;
图3是本发明输入的MSTAR数据集中部分目标测试图。
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,输入SAR图像。
输入MSTAR数据集中选定的已知类别标签的训练样本集和测试样本集。
步骤2,图像预处理。
对训练样本集和测试样本集分别进行二维离散小波变换,得到训练样本集和测试样本集的低频图像。
采用主成分分析PCA降维方法,分别对训练样本集和测试样本集的低频图像进行降维处理,得到降维后的训练样本集和测试样本集。
采用主成分分析PCA白化方法,分别对降维后的训练样本集和测试样本集进行白化处理,得到预处理后的训练样本集和测试样本集。
步骤3,构建初始训练集和增量训练集。
从预处理后的训练样本集中每类样本随机选取10%作为初始训练集。
将训练样本集每类样本中剩余的样本混合,将混合后的样本平均分成10份,构成10个增量训练集。
步骤4,初始化深度增量支持向量机。
采用增量学习方法,将初始训练集输入到深度支持向量机中的第一层支持向量机进行训练,得到初始训练样本的支持向量以及支持向量对应的拉格朗日乘子和类别标签。
其中增量学习方法具体操作步骤如下:
第1步,构建支持向量集、剩余向量集和错分向量集。
第2步,将初始训练集中第一个训练样本作为支持向量放入支持向量集中,初始化支持向量集中支持向量对应的拉格朗日乘子和偏斜量,得到一个初始分类器。
第3步,从初始训练集剩余的训练样本中任意选择一个训练样本进行学习,将所选训练样本的拉格朗日乘子初始化为零。
第4步,按照下式,计算所选训练样本的阈值:
其中,gc表示所选训练样本的阈值,m表示支持向量集中支持向量的个数,s表示支持向量集中第s个支持向量,∑表示求和操作,αs表示支持向量集中第s个支持向量对应的拉格朗日乘子,yc表示所选训练样本的类别标签,ys表示支持向量集中第s个支持向量的类别标签,K(·)表示核函数,xs表示支持向量集中第s个支持向量,xc表示所选的训练样本,b表示支持向量集中支持向量对应的偏斜量;
第5步,判断所选训练样本的阈值是否大于零,若是,则执行第6步,否则,执行第7步。
第6步,将所选训练样本放入剩余向量集中,执行第11步。
第7步,按照下式,更新支持向量集中支持向量对应的拉格朗日乘子和偏量:
其中,αs'表示更新后的支持向量集中支持向量对应的拉格朗日乘子,αs表示支持向量集中支持向量对应的拉格朗日乘子,R表示支持向量集中支持向量的核相关矩阵,ys表示支持向量集中第s个支持向量的类别标签,K(·)表示核函数,xc表示所选训练样本,xs表示支持向量集中第s个支持向量,表示所选训练样本对应的拉格朗日乘子的最大改变量,b'表示更新后的支持向量集中支持向量对应的偏斜量,yc表示所选训练样本的类别标签。
第8步,判断所选训练样本的阈值是否等于零,若是,则执行第9步,否则,执行第10步。
第9步,将所选训练样本放入支持向量集中,执行第11步。
第10步,将所选训练样本放入错分向量集中。
第11步,判断是否选择完初始训练集中的所有训练样本,若是,则执行第12步,否则,执行第3步。
第12步,得到初始训练集的支持向量、支持向量对应的拉格朗日乘子和类别标签。
采用特征值计算公式,计算初始训练样本的所有支持向量对应的特征值。特征值计算公式如下:
hi=βi·ti·K(si,x)
其中,hi表示初始训练样本的第i个支持向量对应的特征值,βi表示第i个支持向量的拉格朗日乘子,ti表示第i个支持向量的类别标签,K表示核函数,si表示第i个支持向量,x表示初始训练样本。
将初始训练样本所有支持向量对应的特征值输入到深度支持向量机中的第二层支持向量机进行训练,得到初始的深度增量支持向量机。
步骤5,计算测试样本的初始识别率。
将图像预处理后的测试样本输入到初始的深度增量支持向量机进行识别,得到测试样本的预测类别标签。
按照下式,计算测试样本的初始识别率:
其中,a表示测试样本的初始识别率,size表示求个数操作,p表示测试样本的预测类别标签,l表示测试样本的真实类别标签。
步骤6,将深度增量支持向量机的更新次数k设置为1。
步骤7,更新深度增量支持向量机。
任选一个增量训练集输入第k-1次更新后的深度增量支持向量机中进行增量训练,得到第k次更新后的深度增量支持向量机。
步骤8,计算测试样本的识别率。
将预处理后的测试样本输入第k次更新后的深度增量支持向量机进行识别,得到测试样本的预测类别标签;
按照下式,计算测试样本的识别率:
其中,c表示测试样本的识别率,size表示求个数操作,p表示测试样本的预测类别标签,l表示测试样本的真实类别标签;
步骤9,判断是否训练完所有的增量训练集,若是,则执行步骤10,否则,将深度增量支持向量机的更新次数k加1,执行步骤7;
步骤10,结束。
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:
本文仿真实验采用美国MSTAR计划录取的地面静止目标SAR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,其中BMP2装甲车有三种不同的型号:BMP2_SN9563、BMP2_SN9566、BMP2_SNC21,BTR70装甲车的型号为BTR70_SNC71,T72主战坦克有三种不同的型号:T72_SN132、T72_SN812、T72_SNS7,SAR图像的分辨率是0.3m×0.3m,方位角覆盖范围是0~360°,图像大小为128×128像素,训练样本和测试样本分别是SAR在俯仰角17°和15°时对地面目标的成像数据。
训练样本每类车型的可视化灰度图像如图2,其中,图2(a)是BMP2_SNC21装甲车训练样本,图2(b)是BTR70_SNC71装甲车训练样本,图2(c)是T72_SN132主战坦克训练样本。
测试样本每类车型的可视化灰度图像如图3,其中,图3(a)是BMP2装甲车测试样本,图3(b)是BTR70装甲车测试样本,图3(c)是T72主战坦克测试样本。硬件平台为:Intel(R)Core(TM)i5CPU M 460@2.53GHZ、4GB RAM,软件平台:MATLAB R2014a。
实验中使用的训练样本集和测试样本集具体如表1所示,将BMP2_SNC21装甲车,BTR70_SNC71装甲车,T72_SN132主战坦克在SAR俯仰角17°时对地面目标的成像数据作为训练样本集,训练样本共698个,将BMP2、BTR70以及T72的所有型号在SAR俯仰角15°时对地面目标的成像数据作为测试样本集,测试样本共1365个。
表1.实验样本分布表
2、实验内容与结果:
本发明首先将训练样本分为初始训练集和7个增量数据集,其中初始训练集由每类训练样本的10%构成,共68幅图像,将剩余的所有训练样本均分成10份,构成10个增量训练集,每个增量训练集为63幅图像。本发明使用初始训练集初始化深度增量支持向量机,使用增量训练集更新深度增量支持向量机,并将测试样本输入各个训练好的深度增量支持向量机测试。
应用本发明方法与三种现有技术(支持向量机SVM、增量SVM、深度SVM)对MSTAR数据集中三种目标类型进行识别,计算各种方法的识别率,实验结果如表2所示。其中支持向量机SVM方法及深度SVM采用批量的方法训练样本,即当增量样本时,必须训练所有的训练样本,更新次数为深度增量SVM的更新次数,时间表示学习训练样本所需的时间。
表2.MSTAR数据集目标识别结果表
从表2可见,随着训练样本的增加,四种方法的识别率都在增加,本发明方法的增加趋势更加明显。本发明相比SVM方法和增量SVM方法识别率有明显提升,这是因为本发明提取了训练样本中更有判别性的深层的特征,有利于SAR图像的目标识别。本发明相比深度SVM方法,训练时间大大减少,这是因为本发明可以处理增量的数据,只需学习新的训练样本就可以得到和批量方法相当甚至更好的识别率。综上,本发明综合了增量学习和深度学习的优点,能处理增量的数据,可获得较高的目标识别率,并且减少训练时间。
Claims (3)
1.一种基于深度增量支持向量机的SAR图像目标识别方法,包括如下步骤:
(1)输入SAR图像:
输入MSTAR数据集中选定的已知类别标签的训练样本集和测试样本集;
(2)图像预处理:
(2a)对训练样本集和测试样本集分别进行二维离散小波变换,得到训练样本集和测试样本集的低频图像;
(2b)采用主成分分析PCA降维方法,分别对训练样本集和测试样本集的低频图像进行降维处理,得到降维后的训练样本集和测试样本集;
(2c)采用主成分分析PCA白化方法,分别对降维后的训练样本集和测试样本集进行白化处理,得到预处理后的训练样本集和测试样本集;
(3)构建初始训练集和增量训练集:
(3a)从预处理后的训练样本集的每类样本中随机选取10%的样本组成初始训练集;
(3b)将训练样本集的每类样本中所有剩余的样本混合,将混合后的样本均分成10份,组成10个增量训练集;
(4)初始化深度增量支持向量机:
(4a)采用增量学习方法,将初始训练集输入到深度支持向量机中的第一层支持向量机进行训练,得到初始训练样本的支持向量以及支持向量对应的拉格朗日乘子和类别标签;
(4b)采用特征值计算公式,计算初始训练样本的所有支持向量对应的特征值;
(4c)将初始训练样本所有支持向量对应的特征值输入到深度支持向量机中的第二层支持向量机进行训练,得到初始的深度增量支持向量机;
(5)计算测试样本的初始识别率:
(5a)将图像预处理后的测试样本输入到初始的深度增量支持向量机进行识别,得到测试样本的预测类别标签;
(5b)按照下式,计算测试样本的初始识别率:
其中,a表示测试样本的初始识别率,size表示求个数操作,p表示测试样本的预测类别标签,l表示测试样本的真实类别标签;
(6)将深度增量支持向量机的更新次数k设置为1;
(7)更新深度增量支持向量机:
任选一个增量训练集输入第k-1次更新后的深度增量支持向量机中进行增量训练,得到第k次更新后的深度增量支持向量机;
(8)计算测试样本的识别率:
(8a)将预处理后的测试样本输入第k次更新后的深度增量支持向量机进行识别,得到测试样本的预测类别标签;
(8b)按照下式,计算测试样本的识别率:
其中,c表示测试样本的识别率,size表示求个数操作,p表示测试样本的预测类别标签,l表示测试样本的真实类别标签;
(9)判断是否训练完所有的增量训练集,若是,则执行步骤(10),否则,将深度增量支持向量机的更新次数k加1,执行步骤(7);
(10)结束。
2.根据权利要求1所述的基于深度增量支持向量机的SAR图像目标识别方法,其特征在于:步骤(4a)中所述增量学习方法的具体步骤如下:
第1步,构建支持向量集、剩余向量集和错分向量集;
第2步,将初始训练集中第一个训练样本作为支持向量放入支持向量集中,初始化支持向量集中支持向量对应的拉格朗日乘子和偏斜量,得到一个初始分类器;
第3步,从初始训练集剩余的训练样本中任意选择一个训练样本进行学习,将所选训练样本的拉格朗日乘子初始化为零;
第4步,按照下式,计算所选训练样本的阈值:
其中,gc表示所选训练样本的阈值,m表示支持向量集中支持向量的个数,s表示支持向量集中第s个支持向量,∑表示求和操作,αs表示支持向量集中第s个支持向量对应的拉格朗日乘子,yc表示所选训练样本的类别标签,ys表示支持向量集中第s个支持向量的类别标签,K(·)表示核函数,xs表示支持向量集中第s个支持向量,xc表示所选的训练样本,b表示支持向量集中支持向量对应的偏斜量;
第5步,判断所选训练样本的阈值是否大于零,若是,则执行第6步,否则,执行第7步;
第6步,将所选训练样本放入剩余向量集中,执行第11步;
第7步,按照下式,更新支持向量集中支持向量对应的拉格朗日乘子和偏斜量:
其中,αs'表示更新后的支持向量集中支持向量对应的拉格朗日乘子,αs表示支持向量集中支持向量对应的拉格朗日乘子,R表示支持向量集中支持向量的核相关矩阵,ys表示支持向量集中第s个支持向量的类别标签,K(·)表示核函数,xc表示所选训练样本,xs表示支持向量集中第s个支持向量,表示所选训练样本对应的拉格朗日乘子的最大改变量,b'表示更新后的支持向量集中支持向量对应的偏斜量,yc表示所选训练样本的类别标签;
第8步,判断所选训练样本的阈值是否等于零,若是,则执行第9步,否则,执行第10步;
第9步,将所选训练样本放入支持向量集中,执行第11步;
第10步,将所选训练样本放入错分向量集中;
第11步,判断是否选择完初始训练集中的所有训练样本,若是,则执行第12步,否则,执行第3步;
第12步,得到初始训练集的支持向量、支持向量对应的拉格朗日乘子和类别标签。
3.根据权利要求1所述的基于深度增量支持向量机的SAR图像目标识别方法,其特征在于:步骤(4b)中所述的特征值计算公式如下:
hi=βi·ti·K(si,x)
其中,hi表示初始训练样本的第i个支持向量对应的特征值,βi表示第i个支持向量的拉格朗日乘子,ti表示第i个支持向量的类别标签,K表示核函数,si表示第i个支持向量,x表示初始训练样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610206108.5A CN105913073B (zh) | 2016-04-05 | 2016-04-05 | 基于深度增量支持向量机的sar图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610206108.5A CN105913073B (zh) | 2016-04-05 | 2016-04-05 | 基于深度增量支持向量机的sar图像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913073A CN105913073A (zh) | 2016-08-31 |
CN105913073B true CN105913073B (zh) | 2019-01-08 |
Family
ID=56745501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610206108.5A Active CN105913073B (zh) | 2016-04-05 | 2016-04-05 | 基于深度增量支持向量机的sar图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913073B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597439A (zh) * | 2016-12-12 | 2017-04-26 | 电子科技大学 | 一种基于增量学习的合成孔径雷达目标识别方法 |
CN106682701B (zh) * | 2017-01-10 | 2019-06-11 | 武汉大学 | 一种极化sar图像多尺度描述基元的稀疏流形分类方法 |
CN106897705B (zh) * | 2017-03-01 | 2020-04-10 | 上海海洋大学 | 一种基于增量学习的海洋观测大数据分布方法 |
CN109065073A (zh) * | 2018-08-16 | 2018-12-21 | 太原理工大学 | 基于深度svm网络模型的语音情感识别方法 |
CN109993207B (zh) * | 2019-03-01 | 2022-10-25 | 华南理工大学 | 一种基于目标检测的图像隐私保护方法和系统 |
CN111310791A (zh) * | 2020-01-17 | 2020-06-19 | 电子科技大学 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
CN112381169B (zh) * | 2020-11-23 | 2023-01-13 | 济南博观智能科技有限公司 | 一种图像识别方法、装置、电子设备及可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196564B (zh) * | 2007-12-18 | 2010-06-16 | 西安电子科技大学 | 拉普拉斯正则化最小二乘合成孔径雷达自动目标识别方法 |
US9070183B2 (en) * | 2013-06-28 | 2015-06-30 | Google Inc. | Extracting card data with linear and nonlinear transformations |
US9147132B2 (en) * | 2013-09-11 | 2015-09-29 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
CN103886329B (zh) * | 2014-03-21 | 2017-03-08 | 西安电子科技大学 | 基于张量分解降维的极化图像分类方法 |
-
2016
- 2016-04-05 CN CN201610206108.5A patent/CN105913073B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105913073A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913073B (zh) | 基于深度增量支持向量机的sar图像目标识别方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN106295601B (zh) | 一种改进的安全带检测方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN106228182B (zh) | 基于spm和深度增量svm的sar图像分类方法 | |
CN104318219B (zh) | 基于局部特征及全局特征结合的人脸识别方法 | |
Blaschko et al. | Automatic in situ identification of plankton | |
US11816843B2 (en) | Camouflaged object segmentation method with distraction mining | |
CN102054170B (zh) | 基于极小化上界误差的视觉跟踪方法 | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN108647736A (zh) | 一种基于感知损失和匹配注意力机制的图像分类方法 | |
CN101551855B (zh) | 自适应核匹配追踪辅助诊断系统及其辅助诊断方法 | |
CN104680179B (zh) | 基于邻域相似度的数据降维方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN104751175B (zh) | 基于增量支持向量机的sar图像多类标场景分类方法 | |
CN102129573A (zh) | 基于字典学习和稀疏表示的sar图像分割方法 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN104899877A (zh) | 基于超像素和快速三分图的图像前景提取方法 | |
CN105930846A (zh) | 基于邻域信息和svgdl的极化sar图像分类方法 | |
CN103745233B (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN102169631A (zh) | 基于流形学习的交通拥堵事件协同检测方法 | |
CN102542293A (zh) | 一种针对高分辨率sar图像场景解译的一类提取分类方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN109359525A (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 | |
CN106682675A (zh) | 一种面向高光谱图像的空谱联合特征提取方法 |
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 |