CN107403136B - 基于结构保持字典学习的sar目标型号识别方法 - Google Patents
基于结构保持字典学习的sar目标型号识别方法 Download PDFInfo
- Publication number
- CN107403136B CN107403136B CN201710487290.0A CN201710487290A CN107403136B CN 107403136 B CN107403136 B CN 107403136B CN 201710487290 A CN201710487290 A CN 201710487290A CN 107403136 B CN107403136 B CN 107403136B
- Authority
- CN
- China
- Prior art keywords
- sample image
- dictionary
- test sample
- matrix
- training sample
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于结构保持字典学习的SAR目标型号识别方法,主要解决现有技术在低信噪比条件下进行目标识别时效果不好的问题。其实现步骤是:预处理,去除背景杂波,得到训练样本图像和测试样本图像的归一化子图像;字典学习,利用feature‑sigh search算法与K‑SVD算法迭代训练,获得和训练样本类别数量相同的多个字典矩阵;利用OMP算法计算测试样本的稀疏描述向量;计算重构误差;基于最小重构误差准则,确定识别结果。本发明与现有技术相比提高了识别算法的鲁棒性,具有低信噪比条件下高精度识别的能力。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于结构保持字典学习的合成孔径雷达(Synthetic aperture radar,SAR)图像目标识别方法。
背景技术
SAR由于其全天时、全天候的强大优势,已被广泛应用于诸多领域。从复杂的地物场景中有效的检测到目标,并对检测到的目标进行识别的SAR自动目标识别技术受到了越来越多的关注。
不同于传统的SAR目标类型识别,目标型号识别的难度更大,其意在要把属于同一类型的具有细节差异的目标区分开来。例如,同一类型的坦克上有没有机关枪或者油箱,坦克上的天线是否打开等。目标型号识别的研究在目标细节特征分析、战场感知以及精确打击等应用领域中具有重要的意义。
SAR目标图像由于其独特的相干成像机理,使其不可避免的遭受方位角敏感特性的影响,也就是说同类别目标在不同方位角下的差异往往要大于不同类别目标在相似方位角下的差异。对于目标的型号识别而言,这个问题更加严峻。如何实现目标细节特征的准确捕获与描述,获得高鲁棒性、高抗噪性、高精度的目标型号识别急需解决。
基于稀疏描述的目标识别算法可获得较高精度的目标识别结果,然而这些算法的鲁棒性和抗噪性较差,这是因为现有的基于稀疏描述的SAR目标识别算法均采用预先定义的字典。
发明内容
本发明的目的在于,提供一种基于结构保持字典学习的SAR目标识别方法,通过迭代优化获得对噪声具有鲁棒性的字典矩阵,以解决现有技术在含噪条件下目标识别效果不好的问题。
为了实现上述任务,本发明采用以下技术方案:
一种基于结构保持字典学习的SAR目标识别方法,包括以下步骤:
步骤一,输入训练样本图像集和测试样本图像集,分别求取训练样本图像集中每一个训练样本图像和测试样本图像集中每一个测试样本图像的归一化子图像;
步骤二,分别构造训练样本图像集中每一类训练样本图像的局部结构保持因子和远距离结构保持因子;
步骤三,融合局部结构保持因子和远距离结构保持因子,获得合成的数据结构特性保持因子;
步骤四,结合合成的数据结构特性保持因子,构造字典学习目标函数,计算训练样本图像在所述的字典下的稀疏描述向量;
步骤五,利用所述的稀疏描述向量,更新该类字典矩阵;
步骤六,迭代步骤四和步骤五,直到所述的字典矩阵收敛;
步骤七,利用字典矩阵,分别计算测试样本图像在不同类别字典矩阵下的稀疏描述向量;
步骤八,利用测试样本图像和各字典矩阵以及对应的稀疏描述向量,计算测试样本图像的各重构误差;
步骤九,基于测试样本图像的重构误差确定识别结果。
进一步地,步骤二中,所述的局部结构保持因子的构造为:
上式中,αip,αiq∈Ai表示对应训练样本图像xip,xiq的稀疏描述向量,xip,xiq表示类别i下的第p个和第q个训练样本图像,Ai表示对应第i类目标的字典矩阵,i=1,2,...,C,C表示字典矩阵的总数,Ni表示第i类训练样本图像的总个数,||·||2表示2范数操作;Si为对应第i类目标的相似性度量函数,其每个元素为:
其中,t1表示常数,Nk(xip)表示取xip的k近邻操作,Nk(xiq)表示取xiq的k近邻操作。
进一步地,步骤二中,所述的远距离结构保持因子构造如下:
上式中,t2表示常数,Fm(xiq)表示取xiq的m远邻操作,Fm(xip)表示取xip的m远邻操作。
进一步地,步骤三中,所述的合成的数据结构特性保持因子构造如下:
进一步地,步骤四中,所述的字典学习目标函数为:
在式6中:arg(·)表示求目标函数的最值时的变量值,η1和η2为常数,Xi表示第i类目标的训练样本集,Φi表示对应第i类目标的字典矩阵,||·||1表示1范数操作,||·||F表示F范数操作。
进一步地,步骤八中,测试样本图像的重构误差通过下式计算:
ei=||y-Φiαi||2 式7
上式中,ei表示测试样本图像对应类别i的重构误差,y表示测试样本图像,αi表示测试样本对应类别i的稀疏描述向量。
进一步地,步骤九中,所述的识别结果为:
其中,k∈[1,C]表示最终识别的结果,C表示样本类别总数。
本发明与现有技术相比具有以下技术特点:
第一,本发明通过构建局部结构保持因子和远距离结构保持因子,并将两者进行融合,实现了数据结构的全面捕获与描述,有效减弱了SAR目标方位角敏感特性对识别的不利影响,提高了SAR目标型号识别的精度。
第二,由于本发明采用学习的字典进行稀疏描述,获得的字典具有更好的鲁棒性,使得本发明可用于含噪条件下的SAR目标型号识别。
附图说明
图1是本发明的流程图;
图2是7个型号目标的光学图像和SAR图像的对比图像;
图3是基于稀疏描述的识别方法的混淆矩阵示意图;
图4是本发明识别方法的混淆矩阵示意图;
图5是受噪声污染的SAR图像示意图;
图6是受噪声污染条件下本发明和基于稀疏描述的识别方法获得的识别结果示意图。
具体实施方式
本发明提出了一种基于结构保持字典学习的SAR目标型号识别方法,流程图如图1所示,具体技术方案介绍如下:
步骤一,输入训练样本图像集和测试样本图像集,分别求取训练样本图像集中每一个训练样本图像和测试样本图像集中每一个测试样本图像的归一化子图像;
本实施例中,以训练样本图像和测试样本图像的几何中心为基准,分别截取80×80像素的子图像,以达到减弱SAR图像中背景噪声对识别性能不利影响的目的。用截取后的每一幅子图像中像素的幅度值,分别除以该子图像中所有像素幅度的最大值,得到训练样本图像或测试样本图像的归一化子图像,以减弱SAR图像不均匀的散射特性对识别性能的不利影响。
步骤二,利用训练样本图像,分别构造训练样本图像集中每一类训练样本图像的局部结构保持因子,使得归一化子图像在原始空间的局部结构在稀疏空间得到保持。
局部结构保持因子的构造为:
上式中,min(·)表示求最小值操作,αip,αiq∈Ai表示对应训练样本图像xip,xiq的稀疏描述向量,xip,xiq表示类别i下的第p个和第q个训练样本图像形成的列向量,Ai表示对应第i类目标的字典矩阵,i=1,2,...,C,C表示字典矩阵的总数,Ni表示第i类训练样本图像的总个数,||·||2表示2范数操作;Si为对应第i类目标的相似性度量函数,其每个元素为:
其中,t1表示常数,Nk(xip)表示取xip的k近邻操作,Nk(xiq)表示取xiq的k近邻操作。
利用训练样本图像,分别构造训练样本图像集中每一类训练样本图像的远距离结构保持因子;使得归一化子图像在原始空间的远距离结构在稀疏空间得到保持。远距离结构保持因子构造如下:
上式中,t2表示常数,Fm(xiq)表示取xiq的m远邻操作,Fm(xip)表示取xip的m远邻操作。
步骤三,融合局部结构保持因子和远距离结构保持因子,获得合成的数据结构特性保持因子,使得数据的结构特性得到全面描述;合成的数据结构特性保持因子构造如下:
上式中,Tr(·)表示矩阵的求迹运算,T表示求矩阵的转置,Li=Li1-Li2,Li1=Hi1-Si和Li2=Hi2-Di为拉普拉斯矩阵,Hi1和Hi2为对角矩阵,他们的对角线元素分别为和其中p、q表示矩阵的行、列。
具体地,数据结构特性保持因子的融合过程为:
步骤四,结合合成的数据结构特性保持因子,构造字典学习目标函数,然后利用feature-sigh search方法计算训练样本图像在所述的字典下的稀疏描述向量。
所述的字典学习目标函数为:
在式6中:arg(·)表示求目标函数的最值时的变量值,η1和η2为常数,本方案中,公式中涉及的常数,均需要根据具体数据来确定;Xi表示第i类目标的训练样本集,Φi表示对应第i类目标的字典矩阵,||·||1表示1范数操作,||·||F表示F范数操作。所示的字典指的是由一系列基向量构成的矩阵,即Φi,训练样本图像的类别就是字典的标号,有几种目标就有几类训练样本,有几类训练样本图像就有几类字典。
Feature-sigh search算法的具体过程可参考文献:
(1)H.Lee,A.Battle,R.Raina,and A.Ng.Efficient sparse codingalgorithms.Advances in Neural Information Processing Systems,2007,19:801–808.
步骤五,利用所述的稀疏描述向量,通过K-SVD算法更新该类字典矩阵;
K-SVD算法的具体过程可参考文献:
(2)M.Aharon,M.Elad,and A.Bruckstein.K-SVD:an algorithm for designingovercomplete dictionaries for sparse representation.IEEE Transactions onSignal Processing,2006,54(11):4311-4322.
步骤六,迭代步骤四和步骤五,直到该类目标的所述的字典矩阵收敛;该类目标即为对应标号的目标,标号是几就表示第几类目标;
步骤七,利用字典矩阵,通过正交匹配追踪(Orthogonal matching pursuit,OMP)分别计算测试样本图像在不同类别字典矩阵下的稀疏描述向量;
不同类别字典矩阵,即对应不同目标的字典矩阵,例如标号都为1的训练样本图像(对应第一类目标),则对应第一类字典矩阵。总的来说就是,每个目标都会有一个训练样本集,我们利用每个目标的训练样本集(式6中的Xi),求解式6,得到对应该目标的字典矩阵Φi。
正交匹配追踪OMP算法的具体过程可参考文献:
(3)J.Tropp and A.Gilbert.Signal recovery from random measurements viaorthogonal matching pursuit.IEEE Transactions on Information Theory,2007,53(12):4655-4666.
步骤八,利用测试样本图像和各字典矩阵以及对应的稀疏描述向量,计算测试样本图像的各重构误差;
测试样本图像的重构误差通过下式计算:
ei=||y-Φiαi||2 式7
上式中,ei表示测试样本图像对应类别i的重构误差,y表示测试样本图像,αi表示测试样本对应类别i的稀疏描述向量。
步骤九,基于测试样本图像的重构误差确定识别结果。找到重构误差的最小值,将最小值对应的目标类别作为最终的识别结果,具体如下:
其中,k∈[1,C]表示最终识别的结果,C表示样本类别总数,即上述的字典矩阵的总数。
本发明的效果可以结合仿真图通过以下实验进一步说明。
一、仿真条件:
仿真实验环境为:MATLAB R2015a,Intel(R)Core(TM)2Duo CPU 2.53GHz,Window7专业版。
二、仿真内容与结果分析:
仿真1
本发明的实验数据,采用美国国防高级研究计划局“运动和静止目标获取与识别”项目组,在互联网上公开的实测数据。
本发明的训练样本选取为SAR在俯仰角17°时录取的数据,测试样本选取为SAR在俯仰角15°时录取的数据,以下面3类7个型号目标为例说明本发明的有效性。实验数据如表1所示。
表1 本发明仿真实验所采用的实验数据
每幅图像的大小均为128×128个像素,目标的方位覆盖范围是0°-360°。表1中的BMP2、BTR70和T72分别表示不同的目标,BMP2为步兵战车,BTR70为装甲车,T72为主战坦克,BMP2-9563、BMP2-9566和BMP2-C21表示具有局部差异的同一类目标BMP2的3种不同型号,T72-132、T72-812以及T72-S7则表示同一类目标T72的3种不同型号,7个型号目标的光学图像和SAR图像的对比图像如图2所示。本发明和基于稀疏描述的识别方法获得的识别结果表2所示。
表2 本发明和基于稀疏描述的识别方法的识别率对比
在特征维数为1024维时,图3给出了基于稀疏描述的识别方法的混淆矩阵示意图,图4给出了本发明识别方法的混淆矩阵示意图。可以看出,本发明的识别率要高于基于稀疏描述的识别方法的识别率,说明了本发明进行目标型号识别的有效性。
仿真2
为进一步验证本发明对噪声的鲁棒性,进行含噪条件下的识别实验,同样采用表1所示的数据进行实验。首先给每一幅SAR图像添加噪声,具体如下:在SAR图像中随机选择一部分像素,然后将对应像素值用符合均匀分布的随机值进行代替,被替换的像素百分比分别设置为0%、5%、10%以及15%,对应的SAR图像如图5所示。本发明和基于稀疏描述的识别方法获得的识别结果如图6所示,可见,在所有不同的噪声条件下,本发明的识别结果均好于基于稀疏描述的识别算法。由于本发明所使用的字典为学习得到的,其不仅具有极强的结构特征捕获与描述能力,还对噪声具有很强的鲁棒性,可实现高精度的SAR目标型号识别。
Claims (4)
1.一种基于结构保持字典学习的SAR目标识别方法,其特征在于,包括以下步骤:
步骤一,输入训练样本图像集和测试样本图像集,分别求取训练样本图像集中每一个训练样本图像和测试样本图像集中每一个测试样本图像的归一化子图像;
步骤二,分别构造训练样本图像集中每一类训练样本图像的局部结构保持因子和远距离结构保持因子;
所述的局部结构保持因子的构造为:
上式中,αip,αiq∈Ai表示对应训练样本图像xip,xiq的稀疏描述向量,xip,xiq表示类别i下的第p个和第q个训练样本图像,Ai表示对应第i类目标的稀疏描述向量矩阵,i=1,2,...,C,C表示字典矩阵的总数,Ni表示第i类训练样本图像的总个数,||·||2表示2范数操作;Si为对应第i类目标的相似性度量函数,其每个元素为:
其中,t1表示常数,Nk(xip)表示取xip的k近邻操作,Nk(xiq)表示取xiq的k近邻操作;
所述的远距离结构保持因子构造如下:
上式中,t2表示常数,Fm(xiq)表示取xiq的m远邻操作,Fm(xip)表示取xip的m远邻操作;
步骤三,融合局部结构保持因子和远距离结构保持因子,获得合成的数据结构特性保持因子;
步骤四,结合合成的数据结构特性保持因子,构造字典学习目标函数,计算训练样本图像在所述的字典下的稀疏描述向量;
所述的字典学习目标函数为:
在式6中:Tr(·)表示矩阵的求迹运算,T表示求矩阵的转置,Li=Li1-Li2,Li1=Hi1-Si和Li2=Hi2-Di为拉普拉斯矩阵,Hi1和Hi2为对角矩阵,它们的对角线元素分别为和arg(·)表示求目标函数的最值时的变量值,η1和η2为常数,Xi表示第i类目标的训练样本集,Φi表示对应第i类目标的字典矩阵,||·||1表示1范数操作,||·||F表示F范数操作;
步骤五,利用所述的稀疏描述向量,更新该类字典矩阵;
步骤六,迭代步骤四和步骤五,直到所述的字典矩阵收敛;
步骤七,利用字典矩阵,分别计算测试样本图像在不同类别字典矩阵下的稀疏描述向量;
步骤八,利用测试样本图像和各字典矩阵以及对应的稀疏描述向量,计算测试样本图像的各重构误差;
步骤九,基于测试样本图像的重构误差确定识别结果。
3.如权利要求1所述的基于结构保持字典学习的SAR目标识别方法,其特征在于,步骤八中,测试样本图像的各重构误差通过下式计算:
ei=||y-Φiαi||2 式7
上式中,ei表示测试样本图像对应类别i的重构误差,y表示测试样本图像,αi表示测试样本对应类别i的稀疏描述向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710487290.0A CN107403136B (zh) | 2017-06-23 | 2017-06-23 | 基于结构保持字典学习的sar目标型号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710487290.0A CN107403136B (zh) | 2017-06-23 | 2017-06-23 | 基于结构保持字典学习的sar目标型号识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107403136A CN107403136A (zh) | 2017-11-28 |
CN107403136B true CN107403136B (zh) | 2021-01-05 |
Family
ID=60405260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710487290.0A Active CN107403136B (zh) | 2017-06-23 | 2017-06-23 | 基于结构保持字典学习的sar目标型号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403136B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271851B (zh) * | 2018-08-06 | 2020-10-09 | 陕西师范大学 | 基于乘性稀疏表示和Gamma分布的SAR目标识别方法 |
CN110717480B (zh) * | 2019-10-25 | 2022-06-03 | 中国人民解放军国防科技大学 | 基于随机擦除图像融合的合成孔径雷达遮挡目标识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129573A (zh) * | 2011-03-10 | 2011-07-20 | 西安电子科技大学 | 基于字典学习和稀疏表示的sar图像分割方法 |
CN103886337A (zh) * | 2014-04-10 | 2014-06-25 | 西安电子科技大学 | 基于多稀疏描述的最近邻子空间sar目标识别方法 |
CN103984966A (zh) * | 2014-05-29 | 2014-08-13 | 西安电子科技大学 | 基于稀疏表示的sar图像目标识别方法 |
CN106096506A (zh) * | 2016-05-28 | 2016-11-09 | 重庆大学 | 基于子类类间判别双字典的sar目标识别方法 |
CN106874841A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于正则化局部保持投影的sar变形目标识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9363024B2 (en) * | 2012-03-09 | 2016-06-07 | The United States Of America As Represented By The Secretary Of The Army | Method and system for estimation and extraction of interference noise from signals |
-
2017
- 2017-06-23 CN CN201710487290.0A patent/CN107403136B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129573A (zh) * | 2011-03-10 | 2011-07-20 | 西安电子科技大学 | 基于字典学习和稀疏表示的sar图像分割方法 |
CN103886337A (zh) * | 2014-04-10 | 2014-06-25 | 西安电子科技大学 | 基于多稀疏描述的最近邻子空间sar目标识别方法 |
CN103984966A (zh) * | 2014-05-29 | 2014-08-13 | 西安电子科技大学 | 基于稀疏表示的sar图像目标识别方法 |
CN106096506A (zh) * | 2016-05-28 | 2016-11-09 | 重庆大学 | 基于子类类间判别双字典的sar目标识别方法 |
CN106874841A (zh) * | 2016-12-30 | 2017-06-20 | 陕西师范大学 | 基于正则化局部保持投影的sar变形目标识别方法 |
Non-Patent Citations (2)
Title |
---|
Dempster-Shafer Fusion of Multiple Sparse Representation and Statistical Property for SAR Target Configuration Recognition;Ming Liu.et.;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20140630;第11卷(第6期);第1106-1110页 * |
SAR Imaging With Structural Sparse Representation;Fangfang Shen.et.;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20150831;第8卷(第8期);第3902-3910页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107403136A (zh) | 2017-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107238822B (zh) | 真假目标一维距离像正交非线性子空间特征提取方法 | |
CN106874932B (zh) | 基于快速稀疏描述的sar目标型号识别方法 | |
CN107358214A (zh) | 基于卷积神经网络的极化sar地物分类方法 | |
CN108845303B (zh) | 一种非线性稳健子空间真假目标特征提取方法 | |
CN108921872B (zh) | 一种适用于长程跟踪的鲁棒性视觉目标跟踪方法 | |
CN106897730B (zh) | 基于融合类别信息与局部保持投影的sar目标型号识别方法 | |
CN107403136B (zh) | 基于结构保持字典学习的sar目标型号识别方法 | |
CN105447867A (zh) | 基于isar图像的空间目标姿态估计方法 | |
CN110110618A (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
CN113111706B (zh) | 一种面向方位角连续缺失的sar目标特征解缠与识别方法 | |
CN104484647B (zh) | 一种高分辨率遥感图像云高度检测方法 | |
CN112215832B (zh) | Sar尾迹图像质量评估及自适应探测参数调整方法 | |
CN104200229B (zh) | 一种结合稀疏特征选择的sar目标鉴别方法 | |
CN106199544A (zh) | 基于核鉴别局部切空间排列的雷达目标距离像识别方法 | |
CN104732190B (zh) | 一种基于正交纹理相关分析的合成孔径声纳目标检测方法 | |
Xu et al. | SAR target recognition based on variational autoencoder | |
CN109214405A (zh) | 一种自适应联合特征字典进行遥感图像稀疏识别的方法 | |
CN106204664B (zh) | 基于sar-lark特征的sar舰船目标检测方法 | |
Li et al. | A new framework of hyperspectral image classification based on spatial spectral interest point | |
CN115113162A (zh) | 基于多雷达协同的一维距离图像三维场景恢复方法及装置 | |
CN115205602A (zh) | 基于最优传输距离函数的零样本sar目标识别方法 | |
CN108830290B (zh) | 基于稀疏表示和高斯分布的sar图像分类方法 | |
Wang et al. | Moving ship detection and movement prediction in remote sensing videos | |
Zheng et al. | Multi-discriminator generative adversarial network for semi-supervised sar target recognition | |
Lv et al. | Recognition for SAR deformation military target from a new MiniSAR dataset using multi-view joint transformer approach |
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 |