CN107766792B - 一种遥感图像舰船目标识别方法 - Google Patents
一种遥感图像舰船目标识别方法 Download PDFInfo
- Publication number
- CN107766792B CN107766792B CN201710815256.1A CN201710815256A CN107766792B CN 107766792 B CN107766792 B CN 107766792B CN 201710815256 A CN201710815256 A CN 201710815256A CN 107766792 B CN107766792 B CN 107766792B
- Authority
- CN
- China
- Prior art keywords
- classifier
- features
- population
- classifiers
- remote sensing
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感图像舰船目标识别方法，该方法对SAR图像船只目标进行了多种特征提取和特征选择，针对不同的分类器选择了最佳的特征进行目标的识别。本发明通过使用多种群遗传算法和分类器相结合的方式挑选出了适合每种分类器的最优特征子集，降低了特征维数，减少学习时间的同时提高了准确率；本发明还通过对多种分类器进行组合，利用分类器之间的互补性提高了最终识别的准确性。
Description
技术领域
本发明属于遥感图像处理领域，具体涉及一种遥感图像舰船目标识别方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是以主动发射波束的方式进行成像的，它不受光照、天气等的影响，能够在各种环境下全天时全天候地工作，能够提供全面的、实时的信息，以便相关工作者及时针对图像信息做出判断。目前，SAR图像已经被广泛应用于海洋监测等各个领域。随着SAR图像分辨率的提高和对它认识的加深，它在船只目标检测和识别方面的应用研究也越来越受到关注和重视，目前利用SAR图像对海洋进行监测和管理，已经成为海洋应用领域中不可缺少的一部分。在民用及军用方面，利用SAR图像可以不受天气光照等影响，连续实时的对海洋目标进行检测的优势，能够及时获得海上情报，对于航运管控、渔业监管、作战指挥和获取海上军事行动等方面都能发挥极其重要的作用。
为了进行SAR图像船只目标的分类与识别，首先要进行特征的提取，提取出最能表现船只目标特点的属性，来更加有效地研究和分析目标的特性，以进行分类。特征提取的效果决定了最终分类识别的结果。目前研究船只目标特征主要有几何和灰度特征，电磁散射特征等。但是，由于受到噪声的影响，这些特征的分类效果并不理想。设计并提取出更加稳健和有效的SAR图像船只目标的特征以提高分类识别的精度，是相关领域研究的一个重要方向。
特征提取完成后，要利用挑选出来的最优特征子集进行最终的分类识别。可以采用单一分类器也可以采用多分类器组合的方式，一般是用各种分类算法进行实验，然后从中选择效果最好的分类方法。这样存在的问题是虽然其中某单一分类器在某些样本特征上可以取得比较好的分类效果，但是在另一些样本特征上的分类效果却比较差。不同类型分类器的误分类样本并不完全相同，各分类器之间存在一定的互补。尤其是在选择的特征描述不同的情况下，这种互补性表现的就更明显。因此，将多种分类方式进行组合可以用于SAR图像船只目标分类识别中，进一步获得更高的分类精确度。
发明内容
本发明的目的在于针对上述现有技术的问题，提供一种遥感图像舰船目标识别方法，通过提取SAR图像船只目标的全局性特征和P-HOG特征，增加了特征属性的扰动性；通过进行多种群遗传算法(MPGA)和成员分类器相结合的特征选择，挑选出针对每种所用分类器的最优特征子集；通过多个分类器之间进行组合的分类方法，可以获得比每种成员分类器更准确的效果。
本发明的技术方案如下：
一种遥感图像舰船目标识别方法，包括如下步骤：
步骤1，对原始图像切片进行全局特征提取，得到一组全局特征；
步骤2，对原始图像切片进行P-HOG特征提取，得到一组P-HOG特征；
步骤3，基于多种群遗传算法对步骤1和步骤2得到的两组特征分别进行选择，其中，针对任意一组特征的选择过程均包括如下子步骤：
步骤3.1，对特征进行编码；
步骤3.2，按照步骤3.1的编码方式随机生成设定数目的编码，将这些编码随机分成设定数目的种群；然后选定一批用于目标识别的分类器；
步骤3.3，针对选定的每个分类器，利用上一步得到的每一个种群的编码所代表的特征向量对该分类器分别进行训练，并得出该分类器的识别精度，并以此精度作为种群个体的适应度函数；
步骤3.4，每个种群通过交叉变异来产生新个体，然后根据适应度函数选择出优秀个体；
步骤3.5，将每个种群里适应度函数最高的且特征数量最少的个体作为精英个体放入精英种群进行保存；
步骤3.6，针对产生的新个体，利用步骤3.3的方法继续对分类器进行训练，得到适应度函数；然后重复执行步骤3.3至步骤3.6，直到满足收敛条件；最终得到的精英种群中的最优个体即为当前分类器对应的最优特征；
步骤3.7，针对下一个分类器，采用步骤3.3至步骤3.6的方法确定该分类器对应的最优特征；训练完成所有分类器后，每个分类器对应两组最优特征；
步骤4，构建组合分类器，对该分类器进行训练，并进行目标的判别，具体包括如下子步骤：
步骤4.1，在选定的分类器中，将识别精度靠前的部分分类器作为初级分类器，利用各个初级分类器对应的最优特征分别进行训练，并将得到的分类结果输入到选定的一个次级分类器中进行进一步的训练，由此得到各个分类器的模型；
步骤4.2，对于待识别切片，按照步骤1和步骤2的方法提取出待识别切片的特征；并按照步骤3.6中分类器与最优特征的对应关系，从切片的特征中选择出初级分类器对应的最优特征，然后分别将最优特征输入到对应的分类器中，得到识别结果，将各个分类器的识别结果共同输入到次级分类器中，得到图像的最终识别结果。
较佳的，所述全局特征包括长、宽、长宽比、7个Hu矩、3个中心矩、4个局部RCS密度、方差系数和形状复杂度的19维特征中的部分特征或者全部特征。
较佳的，所述P-HOG特征为在切片上提取的两层的P-HOG特征。
较佳的，所述两层的P-HOG特征为：在第一层中的1个区域提取；第二层中的2x2个区域提取，共提取168维的P-HOG特征。
较佳的，所述随机的二值编码方法为：形成一个长度与特征数目一致的编码序列，给编码序列各个位置进行随机赋值，0代表该位置特征没有选中，1代表该位置特征被选中。
较佳的，所述选定的一批分类器包括支持向量SVM、贝叶斯、逻辑回归、线性判别分析、K近邻和极限学习机。
较佳的，识别精度靠前的部分分类器包括：贝叶斯分类器、逻辑回归分类器、线性判别分类器。
较佳的，所述收敛条件为精英种群中精英个体保持10次迭代不变。
较佳的，所述次级分类器为SVM分类器。
较佳的，所述设定数目的编码为400组编码；所述设定数目的种群为10个种群。
较佳的，步骤3.5中，所有的种群产生精英个体并保存到精英种群以后，针对每一个种群，当精英种群中增加设定数量的精英个体后，将本次产生的精英个体通过移民算子引入到其它种群中，替换掉该种群中适应度较差的个体，再执行步骤3.6。
本发明具有如下有益效果：
本发明提供了一种能够在SAR遥感图像舰船识别中有效判断目标类别的方法，与通用舰船识别方法相比，本发明能够针对不同分类方法提取更适于判别的特征，能够实现更高精度的舰船分类识别处理。
本发明通过使用多种群遗传算法(MPGA)和成员分类器相结合的特征选择方法，挑选出了针对每种所用分类器的最优特征子集，降低了每种分类器所需的特征维数，减少了分类器学习训练过程所用的时间，并且提高了学习的准确率。通过利用多种群遗传算法对特征进行选择，能够去除不相关特征或者冗余特征，只留下关键的特征，降低了后续分类器学习任务的难度，使得后续分类器学习效率得到提高，同时提高了分类识别的准确率。
本发明通过合理挑选成员分类器，并对组合分类器进行设计，从而避免了单个分类器对目标误分的可能性。无论是P-HOG特征还是全局性特征，组合分类器的分类准确率均高于各个单个分类器的方法。将局部性P-HOG特征和全局性特征进行组合，能够弥补特征属性描述不全面造成的低分类精度，从特征属性和成员分类器两方面进行互补及组合，最终实现分类精度的提高。本发明提出的分类器组合算法将各种类型不同的成员分类方法进行了结合，使得各方法之间的互补性更强，并且为每种分类器选择了它们各自的最优特征子集，分别用了全局性和局部性两种不同的特征属性，使对特征的描述更加全面，因而，本发明提出的分类器组合设计方式具有更好的性能。
附图说明
图1是遥感图像舰船目标识别方法流程框图。
图2是MPGA算法示意图。
图3是组合分类器的设计方案。
具体实施方式
以下说明如何具体实施本发明提供的方法，图1是本发明提供的方法的流程框图，过程如下：
第一步：全局特征提取
本发明使用的输入数据为经过SAR图像舰船检测和虚警剔除后得到的SAR图像目标切片，特征提取在SAR图像切片上进行。
首先提取船只目标的19维全局性特征，包括长、宽、长宽比、7个Hu矩、3个中心矩、4个局部RCS密度、方差系数和形状复杂度。各项的定义如下：
一个船只目标的切片I(m,n)，它的二值图为B(m,n),则只包含目标的灰度图可以表示为T(m,n)＝I(m,n).*B(m,n)。在B(m,n)中根据目标主轴得到目标的外接矩形，该矩形的长为目标的长L，矩形的宽定义为目标的宽W，长宽比为
面积为目标区域中的像素总数
形状复杂度定义为目标区域边缘长度的平方与区域面积的比值的
倍：
矩特征是用来描述目标的灰度分布特性及边界形状的，它充分利用了目标区域内部和边界的大量信息。
p+q阶混合原点矩定义为：
p+q阶中心矩定义为：
其中x,y分别代表目标中心的横坐标和纵坐标：
Hu矩可以实现平移、旋转和尺度缩放的不变性，是一种非常好的特征。下面是Hu矩的表达式：
以上各式中，ηpq为规格化中心矩，
p+q＝2,3......
对于只包含目标区域的离散图像T(m,n)，质量定义为目标区域中像素点灰度值的总和：
均值用目标区域像素点的灰度值总和与像素总数目N的比值来表示：
方差系数反映了区域灰度变化的动态范围,用标准差与均值的比值来表士：
对于SAR图像而言，由于船只目标的不同部分具有不同的后向散射单元，因此利用反映散射强度分布的局部RCS密度与船只结构的对应关系能够有效地区分不同的船只目标。把分割出来的船只目标的外接矩形分为N份，第i份内舰船目标区域的质量记为Mi，面积记为Ai，则各部分RCS密度的计算方式为：
最终得到的RCS密度特征为C＝[C1,C2,...,CN]。
第二步：提取P-HOG特征
在找到主轴方向并将船只目标旋转到主轴以后，分别向外扩展50个像素点，再缩放成了同样大小的船只目标切片，在这些切片的基础上，进行了两层的P-HOG特征的提取，共提取168维的P-HOG特征。
P-HOG特征就是对图片进行不同尺度的划分后再计算其HOG特征，不同尺度对应不同层：第一层，只有1个区域；第二层：分为2x2个区域；第三层：分为4x4个区域；...。在同一层的划分尺度图里，计算每个区域的HOG特征，依次进行拼接，就得到当前尺度图的HOG特征。将所有尺度图的HOG特征依次进行拼接，从而得到全部的图像空间的P-HOG特征。(可参见：“Bosch A,Zisserman A,Munoz X.Representing shape with a spatial pyramidkernel[C]//ACM International Conference on Image and Video Retrieval.ACM,2007:401-408.”)
第三步：特征选择
基于多种群遗传(MPGA)算法对特征进行选择，多种群遗传算法的整体流程如图2所示。
第(3.1)步：特征编码。对前面两步提取出的特征进行随机的二值编码：形成一个长度与特征数目一致的编码序列，给编码序列各个位置进行随机赋值，0代表该位置特征没有选中，1代表该位置特征被选中。前面提取的特征包含19维的全局特征向量和168维的P-HOG特征向量，这两类特征分别进行编码，独立进行特征选择，因此编码后得到的是19维或者168维的01二进制串结构数据。
第(3.2)步：生成初始种群。按照第(3.1)步所述的编码方式随机生成400组编码，将这些编码随机分成10个种群，每个种群包含40个个体(编码)。
第(3.3)步：适应度函数计算。利用上一步得到的二进制串所代表的特征向量对分类器进行训练，训练完成后，再用测试集进行测试得出分类识别的精度，并以此精度作为种群个体的适应度函数。使用的分类器包括支持向量SVM、贝叶斯、逻辑回归、线性判别分析、K近邻和极限学习机。
第(3.4)步：进行选择交叉变异等进化过程。通过交叉变异来产生新个体，然后根据适应度选择出优秀个体。利用遗民算子把每个种群中的适应度最强的优秀个体，每隔一定的代数就引入其他的种群中，或者当精英种群中增加设定数量的精英个体后，将本次产生的精英个体通过移民算子引入到其它种群中，替换掉该种群中适应度较差的个体，实现信息的交互，以便各个种群之间实现协同进化，保证搜索的全面性和快速性。
第(3.5)步：精英种群保存。将每个种群里适应度最高的且特征数量最少的个体作为精英个体放入精英种群进行保存。
第(3.6)步：最优个体选择。使用第(3.5)步得到的新个体重新回到第(3.3)步进行计算，重复这几步直到精英种群中最优个体保持10次迭代不变，为了防止不收敛的情况发生而导致迭代次数过多，耗时太久，设置了最大迭代次数20次，最终得到的二进制数据结构串便是选择得到的最优个体。该二进制编码对应的特征便是选择的最优特征。
第四步：组合分类器判别
第(4.1)步：组合分类器设计。通过实验分析可以得出SVM分类器、贝叶斯分类器、逻辑回归分类器以及线性判别分析这四种分类器可以针对前面提取的特征实现较好的效果，因此将贝叶斯分类器、逻辑回归分类器、线性判别分类器作为初级分类器，分别针对19维的全局性特征和168维的P-HOG特征进行判断，之后用SVM去对这些输出结果的组合进行进一步的判别。分类器结构如图3所示。
第(4.2)步：分类器训练。利用第三步提到的特征选择方法，将19维的全局性特征和168维的P-HOG特征，分别针对第(4.1)步选取的初级分类器，各自进行特征选择，选择出它们各自的最优特征子集，进行训练。初级分类器得出结果以后，将初级分类器的输出结果作为次级分类器SVM的输入，用SVM去对这些输出结果的组合进行进一步的训练。经过训练后可以得到各个分类器的模型。
第(4.3)步：目标识别。按照前面第一步和第二步的特征提取方式分别提取出待识别切片的特征。按照第(4.2)步所需的特征类别，分别将对应的特征输入到对应的分类器中，并将各个分类器的结果共同输入到最终的SVM中，得到分类识别的结果进行输出。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种遥感图像舰船目标识别方法，其特征在于，包括如下步骤：
步骤1，对原始图像切片进行全局特征提取，得到一组全局特征；
步骤2，对原始图像切片进行P-HOG特征提取，得到一组P-HOG特征；
步骤3，基于多种群遗传算法对步骤1和步骤2得到的两组特征分别进行选择，其中，针对任意一组特征的选择过程均包括如下子步骤：
步骤3.1，对特征进行编码；
步骤3.2，按照步骤3.1的编码方式随机生成设定数目的编码，将这些编码随机分成设定数目的种群；然后选定一批用于目标识别的分类器；
步骤3.3，针对选定的每个分类器，利用上一步得到的每一个种群的编码所代表的特征向量对该分类器分别进行训练，并得出该分类器的识别精度，并以此精度作为种群个体的适应度函数；
步骤3.4，每个种群通过交叉变异来产生新个体，然后根据适应度函数选择出优秀个体；
步骤3.5，将每个种群里适应度函数最高的且特征数量最少的个体作为精英个体放入精英种群进行保存；
步骤3.6，针对产生的新个体，利用步骤3.3的方法继续对分类器进行训练，得到适应度函数；然后重复执行步骤3.3至步骤3.6，直到满足收敛条件；最终得到的精英种群中的最优个体即为当前分类器对应的最优特征；
步骤3.7，针对下一个分类器，采用步骤3.3至步骤3.6的方法确定该分类器对应的最优特征；训练完成所有分类器后，每个分类器对应两组最优特征；
步骤4，构建组合分类器，对该分类器进行训练，并进行目标的判别，具体包括如下子步骤：
步骤4.1，在选定的分类器中，将识别精度靠前的部分分类器作为初级分类器，利用各个初级分类器对应的最优特征分别进行训练，并将得到的分类结果输入到选定的一个次级分类器中进行进一步的训练，由此得到各个分类器的模型；
步骤4.2，对于待识别切片，按照步骤1和步骤2的方法提取出待识别切片的特征；并按照步骤3.6中分类器与最优特征的对应关系，从切片的特征中选择出初级分类器对应的最优特征，然后分别将最优特征输入到对应的分类器中，得到识别结果，将各个分类器的识别结果共同输入到次级分类器中，得到图像的最终识别结果。
2.如权利要求1所述的遥感图像舰船目标识别方法，其特征在于，所述全局特征包括长、宽、长宽比、7个Hu矩、3个中心矩、4个局部RCS密度、方差系数和形状复杂度的19维特征中的部分特征或者全部特征。
3.如权利要求1所述的遥感图像舰船目标识别方法，其特征在于，所述P-HOG特征为在切片上提取的两层的P-HOG特征。
4.如权利要求3所述的遥感图像舰船目标识别方法，其特征在于，所述两层的P-HOG特征为：在第一层中的1个区域提取；第二层中的2x2个区域提取，共提取168维的P-HOG特征。
5.如权利要求1所述的遥感图像舰船目标识别方法，其特征在于，步骤3.1中对特征进行编码的具体方法为：形成一个长度与特征数目一致的编码序列，给编码序列各个位置进行随机赋值，0代表该位置特征没有选中，1代表该位置特征被选中。
6.如权利要求1所述的遥感图像舰船目标识别方法，其特征在于，所述选定的一批分类器包括支持向量SVM、贝叶斯、逻辑回归、线性判别分析、K近邻和极限学习机。
7.如权利要求6所述的遥感图像舰船目标识别方法，其特征在于，识别精度靠前的部分分类器包括：贝叶斯分类器、逻辑回归分类器、线性判别分类器。
8.如权利要求1所述的遥感图像舰船目标识别方法，其特征在于，所述收敛条件为精英种群中精英个体保持10次迭代不变。
9.如权利要求1所述的遥感图像舰船目标识别方法，其特征在于，所述次级分类器为SVM分类器。
10.如权利要求1所述的遥感图像舰船目标识别方法，其特征在于，所述设定数目的编码为400组编码；所述设定数目的种群为10个种群。
11.如权利要求1所述的遥感图像舰船目标识别方法，其特征在于，步骤3.5中，所有的种群产生精英个体并保存到精英种群以后，针对每一个种群，当精英种群中增加设定数量的精英个体后，将本次产生的精英个体通过移民算子引入到其它种群中，替换掉该种群中适应度较差的个体，再执行步骤3.6。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2017104883464 | 2017-06-23 | ||
| CN201710488346 | 2017-06-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107766792A CN107766792A (zh) | 2018-03-06 |
| CN107766792B true CN107766792B (zh) | 2021-02-26 |
Family
ID=61265940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710815256.1A Active CN107766792B (zh) | 2017-06-23 | 2017-09-12 | 一种遥感图像舰船目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107766792B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109994216A (zh) * | 2019-03-21 | 2019-07-09 | 上海市第六人民医院 | 一种基于机器学习的icd智能诊断编码方法 |
| CN111639584A (zh) * | 2020-05-26 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 基于多分类器的风险识别方法、装置及计算机设备 |
| CN112034428B (zh) * | 2020-08-04 | 2021-11-26 | 北京理工大学 | 基于灰色关联的雷达无源干扰识别方法 |
| CN112989036A (zh) * | 2021-02-05 | 2021-06-18 | 北京紫光展锐通信技术有限公司 | 一种文本分类的特征提取方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011013838A (ja) * | 2009-06-30 | 2011-01-20 | Sumitomo Electric Ind Ltd | 移動体検出装置、移動体検出方法及びコンピュータプログラム |
| CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
| CN103996017A (zh) * | 2014-02-24 | 2014-08-20 | 航天恒星科技有限公司 | 一种基于Hu不变矩和支持向量机的舰船检测方法 |
| CN106067022A (zh) * | 2016-05-28 | 2016-11-02 | 北方工业大学 | 一种基于dpm算法的遥感图像靠港船舶检测虚警剔除方法 |
| CN106127228A (zh) * | 2016-06-16 | 2016-11-16 | 北方工业大学 | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 |
| CN106384344A (zh) * | 2016-08-30 | 2017-02-08 | 中国科学院长春光学精密机械与物理研究所 | 一种光学遥感图像海面舰船目标检测与提取方法 |
| CN106709523A (zh) * | 2016-12-29 | 2017-05-24 | 北京理工雷科电子信息技术有限公司 | 一种基于s‑hog特征的光学遥感图像船识别方法 |
| CN106803070A (zh) * | 2016-12-29 | 2017-06-06 | 北京理工雷科电子信息技术有限公司 | 一种基于遥感图像的港口区域舰船目标变化检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6550881B2 (ja) * | 2014-07-14 | 2019-07-31 | 株式会社リコー | 立体物検出装置、立体物検出方法、立体物検出プログラム、及び移動体機器制御システム |
-
2017
- 2017-09-12 CN CN201710815256.1A patent/CN107766792B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011013838A (ja) * | 2009-06-30 | 2011-01-20 | Sumitomo Electric Ind Ltd | 移動体検出装置、移動体検出方法及びコンピュータプログラム |
| CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
| CN103996017A (zh) * | 2014-02-24 | 2014-08-20 | 航天恒星科技有限公司 | 一种基于Hu不变矩和支持向量机的舰船检测方法 |
| CN106067022A (zh) * | 2016-05-28 | 2016-11-02 | 北方工业大学 | 一种基于dpm算法的遥感图像靠港船舶检测虚警剔除方法 |
| CN106127228A (zh) * | 2016-06-16 | 2016-11-16 | 北方工业大学 | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 |
| CN106384344A (zh) * | 2016-08-30 | 2017-02-08 | 中国科学院长春光学精密机械与物理研究所 | 一种光学遥感图像海面舰船目标检测与提取方法 |
| CN106709523A (zh) * | 2016-12-29 | 2017-05-24 | 北京理工雷科电子信息技术有限公司 | 一种基于s‑hog特征的光学遥感图像船识别方法 |
| CN106803070A (zh) * | 2016-12-29 | 2017-06-06 | 北京理工雷科电子信息技术有限公司 | 一种基于遥感图像的港口区域舰船目标变化检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| A waterborne salient ship detection method on SAR imagery;MA Long 等;《SCIENCE CHINA》;20150831;第58卷;089301:1–089301:3 * |
| An Unsupervised Ship Classifier for High-Resolution SAR Images;LONGTAO CHEN 等;《2013 Asia-Pacific Computational Intelligence and Information Technology Conference (APCIIT 2013)》;20131231;1-7 * |
| 基于GA-LPA算法的船舶图像识别方法研究;熊勇 等;《广西大学学报（自然科学版）》;20160430;第41卷(第2期);554-561 * |
| 基于SVM分类的红外舰船目标识别;张迪飞 等;《红外与激光工程》;20160131;第45卷(第1期);第0lOl004-1至0lOl004-6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107766792A (zh) | 2018-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609601B (zh) | 一种基于多层卷积神经网络的舰船目标识别方法 | |
| CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
| CN108664971B (zh) | 基于2d卷积神经网络的肺结节检测方法 | |
| CN107766792B (zh) | 一种遥感图像舰船目标识别方法 | |
| CN108399420B (zh) | 一种基于深度卷积网络的可见光舰船虚警剔除方法 | |
| CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
| Marchant et al. | Automated analysis of foraminifera fossil records by image classification using a convolutional neural network | |
| Bochinski et al. | Deep active learning for in situ plankton classification | |
| CN113221787A (zh) | 基于多元差异性融合的行人多目标跟踪方法 | |
| CN103336801A (zh) | 基于多特征lsh索引组合的遥感图像检索方法 | |
| Li et al. | A comparison of deep learning methods for airborne lidar point clouds classification | |
| CN112131933A (zh) | 一种基于改进yolo网络的快速行人检测方法与系统 | |
| Pramunendar et al. | Fish classification based on underwater image interpolation and back-propagation neural network | |
| Jiang et al. | Active object detection in sonar images | |
| Montúfar et al. | Can neural networks learn persistent homology features? | |
| Chen et al. | Learning to segment object candidates via recursive neural networks | |
| Xu et al. | Semantic segmentation of sparsely annotated 3D point clouds by pseudo-labelling | |
| Kiranyaz et al. | Network of evolutionary binary classifiers for classification and retrieval in macroinvertebrate databases | |
| Wu et al. | Fast particle picking for cryo-electron tomography using one-stage detection | |
| CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
| Duan et al. | Bee pose estimation from single images with convolutional neural network | |
| Chen et al. | KDT-SPSO: A multimodal particle swarm optimisation algorithm based on kd trees for palm tree detection | |
| Milosavljević et al. | Species identification for aquatic biomonitoring using deep residual cnn and transfer learning | |
| Guo et al. | SAR Automatic Target Recognition Based on Multi-Scale Convolutional Factor Analysis Model with Max-Margin Constraint | |
| Zhan et al. | Scope head for accurate localization in object detection |
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 |