CN107229918A - 一种基于全卷积神经网络的sar图像目标检测方法 - Google Patents

一种基于全卷积神经网络的sar图像目标检测方法 Download PDF

Info

Publication number
CN107229918A
CN107229918A CN201710396167.8A CN201710396167A CN107229918A CN 107229918 A CN107229918 A CN 107229918A CN 201710396167 A CN201710396167 A CN 201710396167A CN 107229918 A CN107229918 A CN 107229918A
Authority
CN
China
Prior art keywords
pixels
layer
neural networks
convolutional neural
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
CN201710396167.8A
Other languages
English (en)
Other versions
CN107229918B (zh
Inventor
焦李成
屈嵘
侯瑶淇
马文萍
杨淑媛
侯彪
刘芳
尚荣华
张向荣
张丹
唐旭
马晶晶
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201710396167.8A priority Critical patent/CN107229918B/zh
Publication of CN107229918A publication Critical patent/CN107229918A/zh
Application granted granted Critical
Publication of CN107229918B publication Critical patent/CN107229918B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/21—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
    • G06N3/08—Learning methods

Abstract

本发明公开了一种基于全卷积神经网络的SAR图像目标检测方法，主要解决现有技术检测速度慢、准确率低的问题，其方案是：获取SAR图像；扩充训练数据集；构建一个九层的全卷积神经网络；使用扩充后的训练数据集训练全卷积神经网络；将测试图片输入到训练好的模型中进行显著性检测，得到输出的显著性特征图；对显著性特征图进行形态学处理；对处理后的特征图进行连通域标记；以每个连通域的质心为中心，提取与各个目标质心对应的检测切片；将各个检测切片在输入的原始SAR图像中标记出来，得到测试数据的目标检测结果。本发明将全卷积神经网络应用到SAR图像目标检测中，提高了SAR图像目标检测的检测速度和准确率，可用于目标识别。

Description

一种基于全卷积神经网络的SAR图像目标检测方法
【技术领域】
本发明属于图像处理技术领域，具体涉及一种基于全卷积神经网络的SAR图像目标检测方法。
【背景技术】
合成孔径雷达SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分辨率高等优点，不受时间、天气等的限制，能获得目标更丰富的信息。在对地观测和军事侦查等领域得到了广泛的应用。
SAR图像目标检测是SAR-ATR(自动目标识别)的关键步骤，也是SAR图像解译应用的热点。在SAR图像中，目标体积较小，背景信息复杂，对目标检测造成了一定的难度。
卷积神经网络作为应用最为广泛的深度神经网络之一，已经成为了语音分析和图像处理领域的研究热点。卷积神经网络的权值共享结构使得参数大大减少，降低了网络模型训练的复杂度。此外，卷积神经网络对于平移、缩放、倾斜等变形具有高度不变性。但是，由于卷积神经网络的下采样和全连接层的结构，使得卷积神经网络的输入大小必须固定，应用不够灵活方便。全卷积神经网络克服了这一缺陷。通过上采样层，全卷积神经网络得到了和原图一样的大小的输出特征图。由于全卷积神经网络的结构中只有卷积层和采样层，因此能够接受任意大小的输入。
目前最为广泛应用的SAR目标检测算法是恒虚警率(Constant False AlarmRate，CFAR)检测算法。CFAR检测算法简单、快速、实时性强。然而由于背景杂波的估计需要一定的先验知识。在先验信息不足的情况下，背景杂波不一定服从预设的分布，将造成杂波统计模型不够准确，带来了检测不准确、虚警率高的问题。同时，由于CFAR算法是逐像素的计算，在SAR图像尺寸较大时，耗时将相当长，实用性不高。
目前常见的SAR图像目标检测方法都有着检测时间长、准确率低的缺陷。
【发明内容】
本发明的目的在于针对SAR图像目标检测方法检测时间长、准确率低的问题，提出一种基于全卷积神经网络的SAR图像目标检测方法，通过该方法能够实现端到端的检测，提高检测准确率和检测速度。
本发明的目的通过如下技术方案实现：
一种基于全卷积神经网络的SAR图像目标检测方法，包括如下步骤：
(1)获取SAR图像，选取出目标训练集和目标测试集；
(2)扩充训练数据集；
(3)构建全卷积神经网络：
(4)将步骤(2)中扩充后的训练数据集输入到步骤(3)的全卷积神经网络中，通过自适应学习率调整算法进行训练，得到训练好的模型；
(5)将步骤(1)的SAR图像作为测试图片输入到训练好的模型中进行显著性检测，得到输出的显著性特征图；
(6)对显著性特征图进行形态学处理，去除孤立点和缝隙；
(7)对步骤(6)处理后的显著性特征图进行连通域标记，得到每个连通域的质心；
(8)以每个连通域的质心为中心，提取与各个目标质心对应的检测切片；
(9)将各个检测切片在输入的原始SAR图像中标记出来，得到测试数据的目标检测结果。
所述步骤(2)中，扩充训练数据集包括如下步骤：
(2a)从测试集中随机选取m组目标切片，每组n个切片，m和n为正整数；
(2b)对于步骤(2a)中生成的每组目标切片，随机选取一张场景图，将目标切片随机分布到场景图中，共生成m幅场景训练图；
(2c)对于步骤(2b)中生成的每幅场景训练图，生成一幅相对应的特征显著图，具体为，首先生成大小等于原图的全零矩阵，然后将目标切片在图中的对应位置设置为1，共生成m幅和场景训练图一一对应的显著特征图，将这些显著特征图作为在训练全卷积神经网络的训练类标。
所述m取值为3000，n取值为15。
所述步骤(3)中，构建一个由第一卷积层→第一下采样层→第二卷积层→第二下采样层→第三卷积层→第三下采样层→第四卷积层→第四下采样层→第五卷积层→第一上采样层→第六卷积层→第二上采样层→第七卷积层→第三上采样层→第八卷积层→第四上采样层→第九卷积层组成的全卷积神经网络，给定各组的特征映射图，并确定各组卷积层、上采样层、下采样层的尺寸。
所述全卷积神经网络的参数如下：
第一卷积层，卷积核数目为16，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第一下采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第二卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第二下采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第三卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第三下采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第四卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第四下采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第五卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第一上采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第六卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第二上采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第七卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第三上采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第八卷积层，卷积核数目为16，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第四上采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第九卷积层，卷积核数目为1，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Sigmoid函数。
所述步骤(4)中，通过自适应学习率调整算法进行训练时的具体参数为：损失函数为二值交叉熵，优化算法为自适应学习率调整算法，迭代次数为10代。
所述步骤(5)的具体步骤为：将测试图片输入到训练好的模型中进行显著性检测，得到一个与测试图片大小相同的特征矩阵，该特征矩阵中每个元素的值在0到1之间，将特征矩阵与0.5比较，大于0.5的位置置为1，小于0.5的位置置为0。
所述步骤(6)的具体步骤为：
(6a)对于得到的特征显著图，进行膨胀处理，去除显著图的目标块内部的缝隙；
(6b)对膨胀后的显著图进行去除小连通域的处理，去除不可能是目标的孤立点。
所述步骤(6a)中，膨胀系数为10个像素，步骤(6b)中，保留的连通域的最小值为300个像素。
所述步骤(8)中，切片的中心点大小为7744个像素。
本发明与现有的技术相比具有以下优点：
本发明由于在SAR图像目标检测中引入了全卷积神经网络，克服了现有技术对切片进行的像素级别的处理，实现了端到端的目标检测，提高了目标检测的速度；本发明由于使用了数据扩充，得到了远大于原数据的训练数据，充分训练了全卷积神经网络，提高了目标检测的准确率。本发明能够准确的检测出合成孔径雷达SAR图像的目标，并且可用于后续合成孔径雷达SAR图像的目标识别。
【附图说明】
图1是本发明基于全卷积神经网络的SAR图像目标检测方法的实现流程图；
图2是本发明中全卷积神经网络输出的显著性特征图；
图3是用本发明对待检测图像的检测结果图。
【具体实施方式】
以下结合附图对本发明的实现步骤和实验效果作进一步详细描述：
参照图1，本发明的基于全卷积神经网络的SAR图像目标检测方法具体实现步骤如下：
步骤1，获取SAR图像，具体包括如下步骤：
(1a)从MSTAR数据库中的数据中选取一部分目标切片作为目标训练集，另一部分作为目标测试集；
(1b)从MSTAR数据库中的数据中随机选取15幅场景图作为场景训练集，其余的场景图作为场景测试集；
步骤2，扩充目标训练数据集，具体包括如下步骤；
(2a)从目标测试集中随机选取3000组目标切片，每组15个切片；
(2b)对于每组目标切片，随机选取一张场景图，将目标切片随机分布到场景图中，共生成3000幅场景训练图；
(2c)对于每幅场景训练图，生成一幅相对应的特征显著图，具体如下：
首先生成大小等于原图的全零矩阵，然后将目标切片在图中的对应位置设置为1，共生成3000幅和场景训练图一一对应的显著特征图，这些显著特征图在训练全卷积神经网络时将作为训练类标；
步骤3，构建全卷积神经网络，具体的构建方法为：
第一层为卷积层，使用16个卷积核，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，输出16个特征图，送入第二层；
第二层为下采样层，将第一层输出的每个特征图经过一个下采样进行降维，下采样的核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素，将降维后的特征图输入到第三层；
第三层为卷积层，使用8个卷积核，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，输出8个特征图，送入第四层；
第四层为下采样层，将第一层输出的每个特征图经过一个下采样进行降维，下采样的核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素，将降维后的特征图输入到第五层；
第五层为卷积层，使用8个卷积核，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，输出8个特征图，送入第六层；
第六层为下采样层，将第一层输出的每个特征图经过一个下采样进行降维，下采样的核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素，将降维后的特征图输入到第七层；
第七层为卷积层，使用8个卷积核，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，输出8个特征图，送入第八层；
第八层为下采样层，将第一层输出的每个特征图经过一个下采样进行降维，下采样的核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素，将降维后的特征图输入到第九层；
第九层为卷积层，使用8个卷积核，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，输出8个特征图，输入第十层；
第十层为上采样层，将第一层输出的每个特征图经过一个上采样进行升维，下采样的核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素，将升维后的特征图输入到第十一层；
第十一层为卷积层，使用8个卷积核，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，输出8个特征图，送入第十二层；
第十二层为上采样层，将第一层输出的每个特征图经过一个上采样进行升维，下采样的核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素，将升维后的特征图输入到第十三层；
第十三层为卷积层，使用8个卷积核，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，输出8个特征图，送入第十四层；
第十四层为上采样层，将第一层输出的每个特征图经过一个上采样进行升维，下采样的核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素，将升维后的特征图输入到第十五层；
第十五层为卷积层，使用16个卷积核，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数，输出8个特征图，送入第十六层；
第十六层为上采样层，将第一层输出的每个特征图经过一个上采样进行升维，下采样的核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素，将升维后的特征图输入到第十七层；
第十七层为卷积层，使用1个卷积核，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Sigmoid函数，输出1个特征图。
步骤4，将扩充后的训练数据输入到全卷积神经网络中进行训练，损失函数为二值交叉熵(binary-crossentropy)，优化算法为自适应学习率调整算法(adadelta)，迭代次数为10代；
步骤5，将测试图片输入到训练好的模型中进行显著性检测，得到一个与测试图片大小相同的特征矩阵，该特征矩阵中每个元素的值在0到1之间，将特征矩阵与0.5比较，大于0.5的位置置为1，小于0.5的位置置为0，得到二值化后的矩阵，称为显著性特征图，如图2所示，在显著特征图中，值为1的位置表明测试图中对应的该位置可能存在目标，值为0的位置表明测试图中对应的该位置不存在目标；
步骤6，对显著性特征图进行形态学处理，去除孤立点和缝隙，具体包括如下步骤：
(6a)对于得到的特征显著图，首先进行膨胀处理，去除显著图的目标块内部的缝隙，膨胀系数为10个像素；
(6b)对膨胀后的显著图进行去除小连通域的处理，去除不可能是目标的孤立点，保留的连通域的最小值为300个像素；
步骤7，对处理后的特征图进行连通域标记，得到每个连通域的质心；
步骤8，以每个连通域的质心为中心，提取与各个目标质心对应的检测切片，切片的中心点为连通域质心，大小为7744个像素(即88×88的窗口)；
步骤9，将各个检测切片在输入的原始SAR图像中标记出来，得到测试数据的目标检测结果。
本发明的效果可以通过以下仿真实验进一步说明：
1.仿真条件：
硬件平台为：惠普Z840
软件平台为：Keras
2.仿真内容与结果：
用本发明方法在上述仿真条件下进行实验。图2为经过步骤6中的形态学处理后的显著特征图，图中黑色表示背景，白色为显著区域即目标可能存在的区域。图3为经过步骤9处理的检测结果图，黑色框表示检测到的目标。从图2和图3可以看到，本发明方法的检测准确率高，在测试图片上没有漏检和虚警。将本发明与OS-CFAR的检测结果和测试时间进行对比，结果如表1所示：
表1
从表1可见，本发明的漏检率、虚警率均低于传统的OS-CFAR方法，且检测时间显著缩短。
综上，本发明引入了基于全卷积神经网络的SAR目标检测方法，实现了端到端的SAR目标检测，检测准确率和检测速度均得到了显著提高。

Claims (10)

1.一种基于全卷积神经网络的SAR图像目标检测方法，其特征在于，包括如下步骤：
(1)获取SAR图像，选取出目标训练集和目标测试集；
(2)扩充训练数据集；
(3)构建全卷积神经网络：
(4)将步骤(2)中扩充后的训练数据集输入到步骤(3)的全卷积神经网络中，通过自适应学习率调整算法进行训练，得到训练好的模型；
(5)将步骤(1)的SAR图像作为测试图片输入到训练好的模型中进行显著性检测，得到输出的显著性特征图；
(6)对显著性特征图进行形态学处理，去除孤立点和缝隙；
(7)对步骤(6)处理后的显著性特征图进行连通域标记，得到每个连通域的质心；
(8)以每个连通域的质心为中心，提取与各个目标质心对应的检测切片；
(9)将各个检测切片在输入的原始SAR图像中标记出来，得到测试数据的目标检测结果。
2.根据权利要求1所述的一种基于全卷积神经网络的SAR图像目标检测方法，其特征在于，所述步骤(2)中，扩充训练数据集包括如下步骤：
(2a)从测试集中随机选取m组目标切片，每组n个切片，m和n为正整数；
(2b)对于步骤(2a)中生成的每组目标切片，随机选取一张场景图，将目标切片随机分布到场景图中，共生成m幅场景训练图；
(2c)对于步骤(2b)中生成的每幅场景训练图，生成一幅相对应的特征显著图，具体为，首先生成大小等于原图的全零矩阵，然后将目标切片在图中的对应位置设置为1，共生成m幅和场景训练图一一对应的显著特征图，将这些显著特征图作为在训练全卷积神经网络的训练类标。
3.根据权利要求2所述的一种基于全卷积神经网络的SAR图像目标检测方法，其特征在于，所述m取值为3000，n取值为15。
4.根据权利要求1所述的一种基于全卷积神经网络的SAR图像目标检测方法，其特征在于，所述步骤(3)中，构建一个由第一卷积层→第一下采样层→第二卷积层→第二下采样层→第三卷积层→第三下采样层→第四卷积层→第四下采样层→第五卷积层→第一上采样层→第六卷积层→第二上采样层→第七卷积层→第三上采样层→第八卷积层→第四上采样层→第九卷积层组成的全卷积神经网络，给定各组的特征映射图，并确定各组卷积层、上采样层、下采样层的尺寸。
5.根据权利要求4所述的一种基于全卷积神经网络的SAR图像目标检测方法，其特征在于，所述全卷积神经网络的参数如下：
第一卷积层，卷积核数目为16，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第一下采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第二卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第二下采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第三卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第三下采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第四卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第四下采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第五卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第一上采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第六卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第二上采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第七卷积层，卷积核数目为8，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第三上采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第八卷积层，卷积核数目为16，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Relu函数；
第四上采样层，核窗口大小为2×2个像素，相邻局部接受域的中心距离为2个像素；
第九卷积层，卷积核数目为1，卷积核窗口大小为3×3个像素，相邻局部接受域的大小为1，激活函数为Sigmoid函数。
6.根据权利要求1所述的一种基于全卷积神经网络的SAR图像目标检测方法，其特征在于，所述步骤(4)中，通过自适应学习率调整算法进行训练时的具体参数为：损失函数为二值交叉熵，优化算法为自适应学习率调整算法，迭代次数为10代。
7.根据权利要求1所述的一种基于全卷积神经网络的SAR图像目标检测方法，其特征在于，所述步骤(5)的具体步骤为：将测试图片输入到训练好的模型中进行显著性检测，得到一个与测试图片大小相同的特征矩阵，该特征矩阵中每个元素的值在0到1之间，将特征矩阵与0.5比较，大于0.5的位置置为1，小于0.5的位置置为0。
8.根据权利要求1所述的一种基于全卷积神经网络的SAR图像目标检测方法，其特征在于，所述步骤(6)的具体步骤为：
(6a)对于得到的特征显著图，进行膨胀处理，去除显著图的目标块内部的缝隙；
(6b)对膨胀后的显著图进行去除小连通域的处理，去除不可能是目标的孤立点。
9.根据权利要求8所述的一种基于全卷积神经网络的SAR图像目标检测方法，其特征在于，所述步骤(6a)中，膨胀系数为10个像素，步骤(6b)中，保留的连通域的最小值为300个像素。
10.根据权利要求1所述的一种基于全卷积神经网络的SAR图像目标检测方法，其特征在于，所述步骤(8)中，切片的中心点大小为7744个像素。
CN201710396167.8A 2017-05-26 2017-05-26 一种基于全卷积神经网络的sar图像目标检测方法 Active CN107229918B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710396167.8A CN107229918B (zh) 2017-05-26 2017-05-26 一种基于全卷积神经网络的sar图像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710396167.8A CN107229918B (zh) 2017-05-26 2017-05-26 一种基于全卷积神经网络的sar图像目标检测方法

Publications (2)

Publication Number Publication Date
CN107229918A true CN107229918A (zh) 2017-10-03
CN107229918B CN107229918B (zh) 2020-11-03

Family

ID=59934462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710396167.8A Active CN107229918B (zh) 2017-05-26 2017-05-26 一种基于全卷积神经网络的sar图像目标检测方法

Country Status (1)

Country Link
CN (1) CN107229918B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171672A (zh) * 2018-01-10 2018-06-15 西北工业大学 基于红通道和全卷积神经网络的水下光学智能感知方法
CN108280412A (zh) * 2018-01-12 2018-07-13 西安电子科技大学 基于变结构cnn的高分辨sar图像目标检测方法
CN108492319A (zh) * 2018-03-09 2018-09-04 西安电子科技大学 基于深度全卷积神经网络的运动目标检测方法
CN108830331A (zh) * 2018-06-22 2018-11-16 西安交通大学 一种基于全卷积网络的探地雷达目标检测方法
CN108960190A (zh) * 2018-07-23 2018-12-07 西安电子科技大学 基于fcn图像序列模型的sar视频目标检测方法
CN109086700A (zh) * 2018-07-20 2018-12-25 杭州电子科技大学 基于深度卷积神经网络的雷达一维距离像目标识别方法
CN109191426A (zh) * 2018-07-24 2019-01-11 江南大学 一种平面图像显著性检测方法
CN109671026A (zh) * 2018-11-28 2019-04-23 浙江大学 基于空洞卷积及自动编解码神经网络的灰度图像降噪方法
CN109754362A (zh) * 2018-12-24 2019-05-14 哈尔滨工程大学 一种用可旋转的边界框标注海参目标检测结果的方法
CN109886992A (zh) * 2017-12-06 2019-06-14 深圳博脑医疗科技有限公司 用于分割mri图像中异常信号区的全卷积网络模型训练方法
CN109902697A (zh) * 2017-12-07 2019-06-18 展讯通信(天津)有限公司 多目标检测方法、装置及移动终端
CN109902715A (zh) * 2019-01-18 2019-06-18 南京理工大学 一种基于上下文聚合网络的红外弱小目标检测方法
WO2019128726A1 (zh) * 2017-12-29 2019-07-04 华为技术有限公司 图像处理方法和装置
CN110275163A (zh) * 2019-06-28 2019-09-24 清华大学 一种基于神经网络的毫米波雷达探测目标成像方法
CN110766152A (zh) * 2018-07-27 2020-02-07 富士通株式会社 用于训练深度神经网络的方法和装置
CN111611834A (zh) * 2019-12-23 2020-09-01 珠海大横琴科技发展有限公司 一种基于sar的船只识别方法、装置
CN111814608A (zh) * 2020-06-24 2020-10-23 长沙一扬电子科技有限公司 一种基于快速全卷积神经网络的sar目标分类方法
CN114782805A (zh) * 2022-03-29 2022-07-22 中国电子科技集团公司第五十四研究所 一种面向无人机巡逻的人在环路混合增强目标识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361340A (zh) * 2014-11-04 2015-02-18 西安电子科技大学 基于显著性检测和聚类的sar图像目标快速检测方法
CN105303185A (zh) * 2015-11-27 2016-02-03 中国科学院深圳先进技术研究院 虹膜定位方法及装置
CN105631426A (zh) * 2015-12-29 2016-06-01 中国科学院深圳先进技术研究院 对图片进行文本检测的方法及装置
CN106156744A (zh) * 2016-07-11 2016-11-23 西安电子科技大学 基于cfar检测与深度学习的sar目标检测方法
CN106202997A (zh) * 2016-06-29 2016-12-07 四川大学 一种基于深度学习的细胞分裂检测方法
CN106228124A (zh) * 2016-07-17 2016-12-14 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
CN106295139A (zh) * 2016-07-29 2017-01-04 姹ゅ钩 一种基于深度卷积神经网络的舌体自诊健康云服务系统
CN106447658A (zh) * 2016-09-26 2017-02-22 西北工业大学 基于全局和局部卷积网络的显著性目标检测方法
US20170076438A1 (en) * 2015-08-31 2017-03-16 Cape Analytics, Inc. Systems and methods for analyzing remote sensing imagery
CN106599832A (zh) * 2016-12-09 2017-04-26 重庆邮电大学 一种基于卷积神经网络的多类障碍物检测与识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361340A (zh) * 2014-11-04 2015-02-18 西安电子科技大学 基于显著性检测和聚类的sar图像目标快速检测方法
US20170076438A1 (en) * 2015-08-31 2017-03-16 Cape Analytics, Inc. Systems and methods for analyzing remote sensing imagery
CN105303185A (zh) * 2015-11-27 2016-02-03 中国科学院深圳先进技术研究院 虹膜定位方法及装置
CN105631426A (zh) * 2015-12-29 2016-06-01 中国科学院深圳先进技术研究院 对图片进行文本检测的方法及装置
CN106202997A (zh) * 2016-06-29 2016-12-07 四川大学 一种基于深度学习的细胞分裂检测方法
CN106156744A (zh) * 2016-07-11 2016-11-23 西安电子科技大学 基于cfar检测与深度学习的sar目标检测方法
CN106228124A (zh) * 2016-07-17 2016-12-14 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
CN106295139A (zh) * 2016-07-29 2017-01-04 姹ゅ钩 一种基于深度卷积神经网络的舌体自诊健康云服务系统
CN106447658A (zh) * 2016-09-26 2017-02-22 西北工业大学 基于全局和局部卷积网络的显著性目标检测方法
CN106599832A (zh) * 2016-12-09 2017-04-26 重庆邮电大学 一种基于卷积神经网络的多类障碍物检测与识别方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
CHEN S 等: "Target Classification Using the Deep Convolutional Networks for SAR Images", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
HAONING LIN 等: "Maritime Semantic Labeling of Optical Remote Sensing Images with Multi-Scale Fully Convolutional Network", 《REMOTE SENS.》 *
JONATHAN LONG 等: "Fully Convolutional Networks for Semantic Segmentation", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION 》 *
姜枫 等: "基于内容的图像分割方法综述", 《软件学报》 *
席军强主编: "《车辆信息技术》", 31 December 2013 *
王思雨 等: "基于卷积神经网络的高分辨率SAR图像飞机目标检测方法", 《雷达学报》 *
骆遥: "基于深度全卷积神经网络的文字区域定位方法", 《无线互联科技》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886992A (zh) * 2017-12-06 2019-06-14 深圳博脑医疗科技有限公司 用于分割mri图像中异常信号区的全卷积网络模型训练方法
CN109902697A (zh) * 2017-12-07 2019-06-18 展讯通信(天津)有限公司 多目标检测方法、装置及移动终端
WO2019128726A1 (zh) * 2017-12-29 2019-07-04 华为技术有限公司 图像处理方法和装置
CN108171672A (zh) * 2018-01-10 2018-06-15 西北工业大学 基于红通道和全卷积神经网络的水下光学智能感知方法
CN108280412A (zh) * 2018-01-12 2018-07-13 西安电子科技大学 基于变结构cnn的高分辨sar图像目标检测方法
CN108492319A (zh) * 2018-03-09 2018-09-04 西安电子科技大学 基于深度全卷积神经网络的运动目标检测方法
CN108830331A (zh) * 2018-06-22 2018-11-16 西安交通大学 一种基于全卷积网络的探地雷达目标检测方法
CN109086700A (zh) * 2018-07-20 2018-12-25 杭州电子科技大学 基于深度卷积神经网络的雷达一维距离像目标识别方法
CN109086700B (zh) * 2018-07-20 2021-08-13 杭州电子科技大学 基于深度卷积神经网络的雷达一维距离像目标识别方法
CN108960190A (zh) * 2018-07-23 2018-12-07 西安电子科技大学 基于fcn图像序列模型的sar视频目标检测方法
CN108960190B (zh) * 2018-07-23 2021-11-30 西安电子科技大学 基于fcn图像序列模型的sar视频目标检测方法
CN109191426A (zh) * 2018-07-24 2019-01-11 江南大学 一种平面图像显著性检测方法
CN110766152A (zh) * 2018-07-27 2020-02-07 富士通株式会社 用于训练深度神经网络的方法和装置
CN110766152B (zh) * 2018-07-27 2023-08-04 富士通株式会社 用于训练深度神经网络的方法和装置
CN109671026B (zh) * 2018-11-28 2020-09-29 浙江大学 基于空洞卷积及自动编解码神经网络的灰度图像降噪方法
CN109671026A (zh) * 2018-11-28 2019-04-23 浙江大学 基于空洞卷积及自动编解码神经网络的灰度图像降噪方法
CN109754362A (zh) * 2018-12-24 2019-05-14 哈尔滨工程大学 一种用可旋转的边界框标注海参目标检测结果的方法
CN109902715A (zh) * 2019-01-18 2019-06-18 南京理工大学 一种基于上下文聚合网络的红外弱小目标检测方法
CN110275163A (zh) * 2019-06-28 2019-09-24 清华大学 一种基于神经网络的毫米波雷达探测目标成像方法
CN110275163B (zh) * 2019-06-28 2020-11-27 清华大学 一种基于神经网络的毫米波雷达探测目标成像方法
CN111611834A (zh) * 2019-12-23 2020-09-01 珠海大横琴科技发展有限公司 一种基于sar的船只识别方法、装置
CN111814608A (zh) * 2020-06-24 2020-10-23 长沙一扬电子科技有限公司 一种基于快速全卷积神经网络的sar目标分类方法
CN111814608B (zh) * 2020-06-24 2023-10-24 长沙一扬电子科技有限公司 一种基于快速全卷积神经网络的sar目标分类方法
CN114782805A (zh) * 2022-03-29 2022-07-22 中国电子科技集团公司第五十四研究所 一种面向无人机巡逻的人在环路混合增强目标识别方法

Also Published As

Publication number Publication date
CN107229918B (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN107229918A (zh) 一种基于全卷积神经网络的sar图像目标检测方法
CN109271856B (zh) 基于扩张残差卷积的光学遥感图像目标检测方法
CN109086700B (zh) 基于深度卷积神经网络的雷达一维距离像目标识别方法
CN108416378B (zh) 一种基于深度神经网络的大场景sar目标识别方法
CN107239751B (zh) 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法
CN107247930A (zh) 基于cnn和选择性注意机制的sar图像目标检测方法
CN105809198B (zh) 基于深度置信网络的sar图像目标识别方法
CN103914847B (zh) 基于相位一致性和sift的sar图像配准方法
CN110097129A (zh) 基于轮廓波分组特征金字塔卷积的遥感目标检测方法
CN108510467A (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN107358258B (zh) 基于nsct双cnn通道和选择性注意机制的sar图像目标分类
CN108596108B (zh) 基于三元组语义关系学习的航拍遥感图像变化检测方法
CN112434745B (zh) 基于多源认知融合的遮挡目标检测识别方法
CN107909109B (zh) 基于显著性和多尺度深度网络模型的sar图像分类方法
CN108154192A (zh) 基于多尺度卷积与特征融合的高分辨sar地物分类方法
CN108830243A (zh) 基于胶囊网络的高光谱图像分类方法
CN111797717A (zh) 一种高速高精度的sar图像船只检测方法
CN106874889A (zh) 基于卷积神经网络的多特征融合sar目标鉴别方法
CN109766835A (zh) 基于多参数优化生成对抗网络的sar目标识别方法
CN108960404B (zh) 一种基于图像的人群计数方法及设备
CN105844279A (zh) 基于深度学习和sift特征的sar图像变化检测方法
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
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN107967474A (zh) 一种基于卷积神经网络的海面目标显著性检测方法
CN109753996B (zh) 基于三维轻量化深度网络的高光谱图像分类方法

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