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 PDFInfo
- 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
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
【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。
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)
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)
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 |
-
2017
- 2017-05-26 CN CN201710396167.8A patent/CN107229918B/zh active Active
Patent Citations (10)
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)
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)
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 |