CN108154192A - 基于多尺度卷积与特征融合的高分辨sar地物分类方法 - Google Patents
基于多尺度卷积与特征融合的高分辨sar地物分类方法 Download PDFInfo
- Publication number
- CN108154192A CN108154192A CN201810032469.1A CN201810032469A CN108154192A CN 108154192 A CN108154192 A CN 108154192A CN 201810032469 A CN201810032469 A CN 201810032469A CN 108154192 A CN108154192 A CN 108154192A
- Authority
- CN
- China
- Prior art keywords
- image
- multiple dimensioned
- convolution
- parameter
- network
- 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
- 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
-
- 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
- G06F18/253—Fusion techniques of extracted features
Abstract
本发明公开了一种基于多尺度卷积与特征融合的高分辨SAR地物分类方法主要解决现有技术分类精度较低及易出现过拟合的问题。实现方案是:1.提取待分类图像的纹理特征和小波特征;2.对待分类图像、纹理特征和小波特征进行融合,组成融合特征矩阵;3.根据融合特征矩阵构建训练数据集和测试数据集;4.对现有的CNN网络添加多尺度卷积层和shuffle层,并将全连接层改为卷积层,构建多尺度卷积融合网络;5.用训练数据集训练多尺度卷积融合网络得到模型参数;6.用模型参数初始化多尺度融合网络对测试集进行分类。本发明提高减少了网络的参数,缓解了小样本问题的过拟合现象,提高了分类精度,可用于高分辨SAR图像地物分类。
Description
技术领域
本发明属于图像处理技术领域,特别是一种高分辨SAR地物分类方法,可应用于图像解译,目标识别和目标跟踪等领域。
背景技术
SAR雷达卫星是载有合成孔径雷达SAR的对地观测遥感卫星的统称。SAR的全天候、全天时及能穿透一些地物的成像特点,显示出它与光学遥感器相比的优越性。雷达遥感数据也在多学科领域中得到了广泛的应用,可应用于军事,农业,导航,地理监视等诸多领域。SAR图像是对雷达波散射特性的一种表征,是地物目标对它的一种反映,图像中存在的斑点噪声表现为在均匀的表面上,像素点呈现出或暗点或亮点,是一种表示灰度像素值出现了急剧变化的现象。这种现象降低了图像的空间分辨率,模糊了图像的边缘信息,使得解译图像的准确率降低。SAR图像的灰度值具有两种基本特点:第一是相似性,表示依据事先制定好的标准将图像分割成若干个相似区域;第二是不连续性,因为图像的灰度值是在变化,所以具有不连续性,可以利用这种特性来进行图像分割。
SAR图像分类方法,包括基于非深度学习的方法和基于深度学习的方法两大类。其中:
基于非深度学习的方法,如 Aytekin等人2013年在IEEE TRANS-ACTIONS ONGEOSCIENCE AND REMOTE SENSING,VOL.51,NO.4上发表的“Local Primitive Pattern forthe Classification of SAR Images”中提出的LPP算法,其结合图像空间信息和结构信息,首先对图像的每个像素使用局部原始模式LPP方法获取只与该像素相关的邻域信息作为特征,然后将该特征作为训练样本训练SVM分类器,得到分类结果。该方法通过设计一种自适应的方法获取每一个像素周围相关的邻域,而非使用固定大小的矩形区域,虽说在一定程度上提高了特征的可判别性和鲁棒性,降低了SVM训练时间的复杂度,但是仍未有效地克服SAR图像相干斑噪声的影响,特别是对包含复杂纹理的SAR图像易产生误分割和区域一致性不理想的问题,且SVM分类器对于数据量比较大的训练样本集,训练时间过长。
基于深度学习的方法,如刘晨等人2017年在《雷达与科学技术》第15卷上发表的“基于CNN的SAR图像目标分类优化算法”,其采用了普通卷积神经网络CNN对SAR图像进行分类,即首先对SAR图像采用ZAC白化与主成分分析结合的方法进行预处理,再将预处理后图像直接送入CNN网络模型进行特征学习,然后将得到的特征送入Softmax分类器进行分类,得到分类结果。该方法可以自动学习到非噪声的鲁棒特征,而不用进行手工特征的设计,并且可以端到端进行训练,提高了图像分类的精度,但该方法由于仅输入原始SAR灰度图像的ZAC白化和主成分信息,输入信息较少,且模型全连接层网络参数较多,对于小样本分类容易产生过拟合现象,另外该方法提取的特征缺乏多尺度信息,导致分类精度较低。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于多尺度卷积与特征融合的高分辨SAR地物分类方法,以减小过拟合现象,提取图像的小波特征和纹理特征,增加多尺度卷积核提取图像多尺度特征信息,进一步提高分类精度
为实现上述目的,本发明的技术方案包括如下:
(1)对待分类的图像F采用灰度共生矩阵提取图像纹理特征,得到纹理特征矩阵F1;
(2)对待分类的图像F采用gabor滤波器提取小波特征,得到小波特征矩阵F2;
(3)将待分类的图像F、纹理特征矩阵F1和小波特征矩阵F2三者进行融合,得到融合特征矩阵F3;
(4)在融合特征矩阵F3上以每个像素点为中心选取n×n的像素块,并将5%的像素块作为训练样本,剩余的像素块作为测试样本,n为大于或等于15的正整数;
(5)构建9层的多尺度卷积融合网络,其自下而上依次包括:
输入层,用于输入训练样本和测试样本;
多尺度卷积层,它包含3×3、5×5和7×7三个尺度,用于提取输入样本的多尺度特征信息;
Concat层,用于级联不同尺度的特征;
特征融合Shuffle层,用于充分打乱和融合多尺度信息;
第一池化层,用于对上一层特征图进行下采样;
第一卷积层,用于对上一层特征图提取单尺度特征;
第二池化层,用于对上一层特征图进行下采样
第二卷积层,用于对上一层特征图提取单尺度特征;
softmax分类器,用于对上一层特征进行类别输出;
所采用的激活函数均为Relu激活函数;
(6)通过反向传播算法对多尺度卷积融合网络进行训练,得到训练好的模型;
(7)通过训练好的模型对测试集进行分类,得到分类结果。
本发明与现有的技术相比具有以下优点:
1)本发明由于将原图像、纹理特征及小波特征进行像素级融合,保留了SAR图像的纹理特性和散射特性,得到了充足的特征信息,并通过shuffle层进行进一步特征融合,提高了SAR图像的分类精度;
2)本发明与普通CNN网络相比,由于在普通CNN中添加了shufflenet网络的shuffle结构和设计的多尺度卷积层,并将普通CNN网络中的全连接层改为卷积层,不仅有效地增添了SAR图像的多尺度信息,而且减少了网络的参数,缓解了SAR图像分类小样本问题的过拟合现象,提高了分类精度。
附图说明
图1是本发明的实现流程图;
图2是用本发明和现有方法对第一幅SAR图像的分类结果对比图;
图3是用本发明和现有方法对第二幅SAR图像的分类结果对比图;
图4是用本发明和现有方法对第三幅SAR图像的分类结果对比图。
具体实施方式
以下结合附图和实施例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,本实例的实现步骤如下:
步骤1,对待分类图像F进行纹理特征的提取。
SAR图像纹理特征提取方法包括有基于非下采样小波分解的纹理特征提取方法、基于灰度共生矩阵的纹理特征提取方法以及基于灰度-梯度共生矩阵的纹理特征提取方法等,本实施例采用但不限于基于灰度共生矩阵的纹理特征提取方法,其实现如下:
(1a)选择4个离散的方向:0°,45°,90°和135°,在待分类图像F中提取以每个像素点为中心的15×15大小的像素块在这4个方向的4个共生矩阵;
(1b)对每个共生矩阵计算能量、熵、惯性矩和相关性这4个纹理参数,并取每个纹理参数的在(1a)所选4个方向上的均值,组成大小为1×4的向量作为被提取一个像素点的纹理特征向量;
(1c)将所有像素点的纹理特征向量按照原图像素点的位置进行合并,得到与待分类图像F相同尺寸的4通道纹理特征矩阵F1。
步骤2,对待分类图像F进行小波特征的提取。
在SAR图像特征提取领域经常采用小波矩提取小波特征,常用的小波包括Harr小波、Shannon小波和Gabor小波等,其特征具有旋转、平移和大小不变性,本实施例采用但不限于Gabor小波特征提取方法,其实现如下;
(2a)取方向数为4、尺度数为1的Gabor小波滤波器组,通过该滤波器组对待分类图像F进行滤波,得到4幅滤波后的特征图像;
(2b)将这4张滤波后的特征图像进行通道方向的合并,得到与待分类图像F相同尺寸的4通道小波特征矩阵F2。
步骤3,获取训练样本和测试样本。
(3a)将待分类的图像F、纹理特征矩阵F1,和小波特征矩阵F2在通道方向进行叠加,得到9通道的融合特征矩阵F3;
(3b)在特征矩阵F3上以每个像素点为中心选取15×15的像素块,其中5%作为训练样本,剩余的像素块作为测试样本。
步骤4,构建多尺度卷积融合网络。
本实施例在普通CNN网络基础上,增加了多尺度卷积层和特征融合shuffle层,并将全连接层改为卷积层,构建了9层多尺度卷积融合网络,其自下而上为输入层、多尺度卷积层、Concat层、特征融合Shuffle层、第一池化层、第一卷积层、第二池化层、第二卷积层和Softmax分类器,每一层设置的具体参数如下:
输入层,设置特征图通道数目为9;
多尺度卷积层,设置卷积核尺度数为3,尺度分别为3×3、5×5和7×7,每一尺度都添加保证输出特征图大小一致的边缘扩充,大小分别为1,2,3,步长均为1,卷积核个数均为12。
Concat层,没有参数;
特征融合Shuffle层,设置分组参数为6;
第一池化层,设置下采样尺寸为2,步长为2;
第一卷积层,设置卷积核数目为64,设置滤波器尺寸为3,pad为1;
第二池化层,设置下采样尺寸为2,步长为2;
第二卷积层,设置卷积核数目为3,设置滤波器尺寸为4,pad为0;
Softmax分类器,设置输出类别数目为3;
所有激活函数均采用Relu激活函数。
步骤5,通过训练样本对多尺度卷积融合网络进行训练。
(5a)使用均值为0,标准差为0.01的高斯分布初始化多尺度卷积融合网络中所有卷积核参数;
(5b)使用训练样本通过迭代对多尺度卷积融合网络进行训练:
(5b1)将训练数据分批次输入网络,每一次迭代输入一个批次,设置批次样本大小为100,网络参数学习率为0.01,每迭代5000批次减小10倍,最大迭代批次为12500;
(5b2)开始迭代训练,将本批次的样本输入网络进行前向传播,通过softmax多项回归损失函数输出损失值,求导计算输出损失值对网络参数的误差,再用反向传播算法将误差反向传播,通过随机梯度下降SGD优化算法,利用误差与学习率的乘积作为当前批次网络参数的衰减值对网络参数进行更新,至此为完成一次迭代,
(5b3)迭代批次加一,重复(5b2)中的迭代过程,直到达到最大迭代批次,停止训练,得到最终训练好的模型参数。
步骤6,通过训练好的模型参数对测试样本进行分类。
(6a)使用步骤5训练得到的模型参数对多尺度卷积融合网络初始化,得到测试网络;
(6b)将测试数据集输入到测试网络,由测试网络中的softmax分类器输出分类结果。
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:
CPU: Xeon(R)E5606@2.13GHz*8,
显卡:Quadro K2200
内存:8G
软件平台:使用Matlab R2014a和Caffe,其中:
Matlab R2014a:是美国MathWorks公司出品的商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算;
Caffe:是深度学习框架之一,其代码是基于C++语言编写,具有BSD开源协议,且对外开放源代码,能提供面向命令行、Matlab和Python的程序接口,可以被Matlab调用。
2.仿真内容
仿真1,应用本发明方法、普通CNN方法和LPP方法分别对第一幅SAR图像进行地物分类实验,结果对比如图2所示,其中图2(a)为待分类SAR图像,大小为256×256,图2(b)为用LPP算法的分类结果,图2(c)为普通CNN方法的分类结果,图2(d)为本发明方法的分类结果。
从图2可见,本发明方法对第一幅SAR图像的分类结果在标注为白色的城市区域,均明显优于对比实验方法,在其他区域明显优于LPP方法,略优于普通CNN方法。
从单类精度、全图总体精度和KAPPA系数评价方法评价各自的性能,结果如表1所示:
表1三种方法对第一幅SAR图像分类结果的评价表
分类方法 | 城市精度/% | 跑道精度/% | 草坪精度/% | 总体精度/% | Kappa系数 |
LPP | 43.30 | 85.17 | 82.46 | 80.35 | 0.69 |
普通CNN | 87.70 | 90.96 | 94.02 | 90.08 | 0.89 |
本发明 | 90.58 | 91.01 | 94.98 | 92.53 | 0.91 |
从表1可见,本发明方法对第一幅SAR图像的分类结果在单类精度、总体精度和KAPPA系数上均优于对比实验方法,说明本方法有效克服了SAR图像相干斑噪声的影响,并且缓解了普通CNN网络对小样本问题的过拟合现象,提高了分类精度。
仿真2,应用本发明方法、普通CNN方法和LPP方法分别对第二幅SAR图像进行地物分类实验,结果对比如图3所示,其中图3(a)为待分类SAR图像,大小为257×256,图3(b)为用LPP算法的分类结果,图3(c)为用普通CNN方法的分类结果,图3(d)为本发明方法的分类结果。
从图3可见,本发明方法对第二幅SAR图像的分类结果明显优于LPP方法,在不同类别的边缘区域略优于普通CNN方法。
从单类精度、全图总体精度和KAPPA系数评价方法评价各自的性能,结果如表2所示:
表2三种方法对第二幅SAR图像分类结果的评价表
分类方法 | 草坪精度/% | 灌木丛精度/% | 河流精度/% | 总体精度/% | Kappa系数 |
LPP | 78.66 | 88.14 | 89.73 | 82.44 | 0.70 |
普通CNN | 93.34 | 90.57 | 92.15 | 92.28 | 0.90 |
本发明 | 94.58 | 90.91 | 93.98 | 93.85 | 0.91 |
从表2可见,本发明方法对第二幅SAR图像的分类结果在单类精度、总体精度和KAPPA系数上均优于对比实验方法,说明本方法有效克服了SAR图像相干斑噪声的影响,并且缓解了普通CNN网络对小样本问题的过拟合现象,提高了分类精度。
仿真3,应用本发明方法、普通CNN方法和LPP方法分别对第三幅SAR图像进行地物分类实验,结果对比如图4所示,其中图4(a)为待分类SAR图像,大小为526×415,图4(b)为用LPP算法的分类结果,图4(c)为用普通CNN方法的分类结果,图4(d)为本发明方法的分类结果。
从图4可见,本发明方法对第三幅SAR图像的分类结果在标注为白色的灌木丛区域明显优于LPP方法,在标注为黑色的跑道区域边缘,其分类结果优于普通CNN方法。
从单类精度、全图总体精度和KAPPA系数评价方法评价各自的性能,结果如表3所示:
表3三种方法对第三幅SAR图像分类结果的评价表
分类算法 | 草坪精度/% | 灌木丛精度/% | 跑道精度/% | 总体精度/% | Kappa系数 |
LPP | 91.13 | 18.03 | 87.83 | 85.45 | 0.81 |
普通CNN | 96.21 | 95.12 | 94.82 | 95.43 | 0.94 |
本发明方法 | 97.19 | 96.39 | 96.55 | 96.48 | 0.96 |
从表3可见,本发明方法对第三幅SAR图像的分类结果在单类精度、总体精度和KAPPA系数上均优于对比实验方法,说明本方法有效克服了SAR图像相干斑噪声的影响,并且缓解了普通CNN网络对小样本问题的过拟合现象,提高了分类精度。
从三个仿真实验可见,本发明方法由于融合了SAR图像的纹理特征和小波特征,设计了多尺度卷积层提取多尺度特征,引入了shufflenet中的shuffle层对特征进行进一步融合,并将全连接层改为卷积层,不仅提高了输入信息的丰富性和特征的鲁棒性,而且减少了网络的参数,缓解了SAR图像分类小样本问题的过拟合现象,提高了分类精度。
Claims (10)
1.基于多尺度卷积与特征融合的高分辨SAR地物分类方法,其特征在于,包括:
(1)对待分类的图像F采用灰度共生矩阵提取图像纹理特征,得到纹理特征矩阵F1;
(2)对待分类的图像F采用gabor滤波器提取小波特征,得到小波特征矩阵F2;
(3)将待分类的图像F、纹理特征矩阵F1和小波特征矩阵F2三者进行融合,得到融合特征矩阵F3;
(4)在融合特征矩阵F3上以每个像素点为中心选取n×n的像素块,并将5%的像素块作为训练样本,剩余的像素块作为测试样本,n为大于或等于15的正整数;
(5)构建9层的多尺度卷积融合网络,其自下而上依次包括:
输入层,用于输入训练样本和测试样本;
多尺度卷积层,它包含3×3、5×5和7×7三个尺度,用于提取输入样本的多尺度特征信息;
Concat层,用于级联不同尺度的特征;
特征融合Shuffle层,用于充分打乱和融合多尺度信息;
第一池化层,用于对上一层特征图进行下采样;
第一卷积层,用于对上一层特征图提取单尺度特征;
第二池化层,用于对上一层特征图进行下采样
第二卷积层,用于对上一层特征图提取单尺度特征;
softmax分类器,用于对上一层特征进行类别输出;
所采用的激活函数均为Relu激活函数;
(6)通过反向传播算法对多尺度卷积融合网络进行训练,得到训练好的模型;
(7)通过训练好的模型对测试集进行分类,得到分类结果。
2.根据权利要求1所述的方法,其特征在于,步骤(1)中对待分类的图像F采用灰度共生矩阵提取图像纹理特征,其实现如下:
(1a)选择4个离散的方向:0°,45°,90°和135°,在待分类图像F中提取以每个像素点为中心的15×15大小的像素块在这4个方向的4个共生矩阵;
(1b)对每个共生矩阵计算能量、熵、惯性矩和相关性这4个纹理参数,并取每个纹理参数的在(1a)所选4个方向上的均值,组成大小为1×4的向量作为被提取一个像素点的纹理特征向量;
(1c)将所有像素点的纹理特征向量按照原图像素点的位置进行合并,得到与待分类图像F相同尺寸的4通道纹理特征矩阵F1。
3.根据权利要求1所述的方法,其特征在于,步骤(2)中对待分类的图像F采用gabor滤波器提取小波特征,其实现如下:
(2a)取方向数取4、尺度数为1的gabor滤波器组,通过该滤波器组对待分类图像F进行滤波,得到4幅滤波后的特征图像,
(2b)将这4张滤波后的特征图像进行通道方向的合并,得到与待分类图像F相同尺寸的4通道小波特征矩阵F2。
4.根据权利要求1所述的方法,其特征在于,步骤(3)中将待分类的图像F、纹理特征矩阵F1和小波特征矩阵F2三者进行融合,是将待分类的图像F、纹理特征矩阵F1,和小波特征矩阵F2在通道方向进行叠加,得到9通道的融合特征矩阵F3。
5.根据权利要求1所述的方法,其特征在于,步骤(5)多尺度卷积融合网络中的输入层,其特征图通道数目设置为9。
6.根据权利要求1所述的方法,其特征在于,步骤(5)多尺度卷积融合网络中的多尺度卷积层的参数设置为:卷积核尺度数为3,尺度分别为3×3、5×5和7×7,每一尺度都添加保证输出特征图大小一致的边缘扩充,大小分别为1,2,3,步长均为1,卷积核个数均为12。
7.根据权利要求1所述的方法,其特征在于,步骤(5)多尺度卷积融合网络中的Shuffle层,其分组参数设置为6。
8.根据权利要求1所述的方法,其特征在于,步骤(5)多尺度卷积融合网络中的池化层参数设置如下:
第一池化层,其下采样尺寸设置为2,步长为2;
第二池化层,其下采样尺寸设置为2,步长为2。
9.根据权利要求1所述的方法,其特征在于,步骤(5)多尺度卷积融合网络中的卷积层,参数设置如下:
第一卷积层,其卷积核数目设置为64,滤波器尺寸为3,步长为1,边缘扩充为1;
第二卷积层,其卷积核数目设置为输出类别数目,以测试图像类别数为准作修改,滤波器尺寸为4,步长为1,边缘扩充为0。
10.根据权利要求1所述的方法,其特征在于,步骤(6)通过反向传播算法对多尺度卷积融合网络进行训练,其实现如下:
(6a)根据测试图像的类别数目设置softmax分类器的输出类别数目;
(6b)使用均值为0,标准差为0.01的高斯分布初始化多尺度卷积融合网络中所有卷积核,再将训练样本分批次输入到多尺度卷积融合网络中,批次样本数量设置为100,通过softmax分类器输出分类类别概率,并通过softmax多项回归损失函数输出损失值;
(6c)通过求导计算(6b)中每个批次的softmax多项回归损失函数的输出损失值对网络参数的误差,再用反向传播算法将误差反向传播;
(6d)初始网络参数学习率设置为0.01,每迭代5000批次减小10倍,最大迭代批次为12500,通过随机梯度下降SGD优化算法,利用误差与学习率的乘积作为当前批次网络参数的衰减值对网络参数进行更新,当迭代次数达到最大迭代批次时停止,得到最终训练好的参数模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810032469.1A CN108154192B (zh) | 2018-01-12 | 2018-01-12 | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810032469.1A CN108154192B (zh) | 2018-01-12 | 2018-01-12 | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154192A true CN108154192A (zh) | 2018-06-12 |
CN108154192B CN108154192B (zh) | 2022-05-17 |
Family
ID=62461276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810032469.1A Active CN108154192B (zh) | 2018-01-12 | 2018-01-12 | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154192B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002766A (zh) * | 2018-06-22 | 2018-12-14 | 北京邮电大学 | 一种表情识别方法及装置 |
CN109063760A (zh) * | 2018-07-22 | 2018-12-21 | 西安电子科技大学 | 基于随机森林多尺度卷积模型的极化sar分类方法 |
CN109101905A (zh) * | 2018-07-27 | 2018-12-28 | 河海大学 | 基于深度卷积神经网络的sar图像地物分类识别方法 |
CN109118564A (zh) * | 2018-08-01 | 2019-01-01 | 湖南拓视觉信息技术有限公司 | 一种基于融合体素的三维点云标记方法和装置 |
CN109241902A (zh) * | 2018-08-30 | 2019-01-18 | 北京航空航天大学 | 一种基于多尺度特征融合的山体滑坡检测方法 |
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN109299722A (zh) * | 2018-08-16 | 2019-02-01 | 北京旷视科技有限公司 | 用于神经网络的特征图处理方法、装置和系统及存储介质 |
CN109685135A (zh) * | 2018-12-21 | 2019-04-26 | 电子科技大学 | 一种基于改进型度量学习的少样本图像分类方法 |
CN110147252A (zh) * | 2019-04-28 | 2019-08-20 | 深兰科技(上海)有限公司 | 一种卷积神经网络的并行计算方法及装置 |
CN110231625A (zh) * | 2019-06-24 | 2019-09-13 | 南京邮电大学 | 一种基于多尺度融合的综合孔径成像方法 |
CN110263644A (zh) * | 2019-05-21 | 2019-09-20 | 华南师范大学 | 基于三胞胎网络的遥感图像分类方法、系统、设备及介质 |
CN110516796A (zh) * | 2019-08-28 | 2019-11-29 | 西北工业大学 | 一种面向嵌入式平台的分组卷积过程优化方法 |
CN111242021A (zh) * | 2020-01-10 | 2020-06-05 | 电子科技大学 | 一种分布式光纤振动信号特征提取与识别方法 |
CN111325724A (zh) * | 2020-02-19 | 2020-06-23 | 石家庄铁道大学 | 隧道裂纹区域检测方法和装置 |
CN111325093A (zh) * | 2020-01-15 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 视频分割方法、装置及电子设备 |
CN111402200A (zh) * | 2020-02-18 | 2020-07-10 | 江苏大学 | 基于共生双流卷积网络和数字图像的油炸食品检测系统 |
CN110309813B (zh) * | 2019-07-10 | 2020-07-31 | 南京行者易智能交通科技有限公司 | 一种基于深度学习的人眼状态检测的模型训练方法、检测方法、装置、移动端设备及服务器 |
WO2020173115A1 (zh) * | 2019-02-25 | 2020-09-03 | 深圳市商汤科技有限公司 | 网络模块和分配方法及装置、电子设备和存储介质 |
CN112613581A (zh) * | 2020-12-31 | 2021-04-06 | 广州大学华软软件学院 | 一种图像识别方法、系统、计算机设备和存储介质 |
CN112686274A (zh) * | 2020-12-31 | 2021-04-20 | 上海智臻智能网络科技股份有限公司 | 目标对象的检测方法及设备 |
CN112949740A (zh) * | 2021-03-17 | 2021-06-11 | 重庆邮电大学 | 一种基于多级度量的小样本图像分类方法 |
CN113177456A (zh) * | 2021-04-23 | 2021-07-27 | 西安电子科技大学 | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 |
CN113505769A (zh) * | 2021-09-10 | 2021-10-15 | 城云科技(中国)有限公司 | 目标检测方法及应用其的车辆抛洒滴漏识别方法 |
CN114998662A (zh) * | 2022-06-24 | 2022-09-02 | 四川川测研地科技有限公司 | 实景三维地理信息数据识别与提取方法 |
CN114998662B (zh) * | 2022-06-24 | 2024-05-03 | 四川川测研地科技有限公司 | 实景三维地理信息数据识别与提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7379627B2 (en) * | 2003-10-20 | 2008-05-27 | Microsoft Corporation | Integrated solution to digital image similarity searching |
CN103839261A (zh) * | 2014-02-18 | 2014-06-04 | 西安电子科技大学 | 一种基于分解进化多目标优化和fcm的sar图像分割方法 |
CN105608465A (zh) * | 2015-12-15 | 2016-05-25 | 西安电子科技大学 | 全极化sar海岸线地物分类方法 |
CN105718963A (zh) * | 2016-03-09 | 2016-06-29 | 东南大学 | 基于变长增量型极限学习机的sar图像分类方法 |
US20170016987A1 (en) * | 2015-07-17 | 2017-01-19 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Processing synthetic aperture radar images for ship detection |
US9703002B1 (en) * | 2003-10-04 | 2017-07-11 | SeeScan, Inc. | Utility locator systems and methods |
-
2018
- 2018-01-12 CN CN201810032469.1A patent/CN108154192B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9703002B1 (en) * | 2003-10-04 | 2017-07-11 | SeeScan, Inc. | Utility locator systems and methods |
US7379627B2 (en) * | 2003-10-20 | 2008-05-27 | Microsoft Corporation | Integrated solution to digital image similarity searching |
CN103839261A (zh) * | 2014-02-18 | 2014-06-04 | 西安电子科技大学 | 一种基于分解进化多目标优化和fcm的sar图像分割方法 |
US20170016987A1 (en) * | 2015-07-17 | 2017-01-19 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Processing synthetic aperture radar images for ship detection |
CN105608465A (zh) * | 2015-12-15 | 2016-05-25 | 西安电子科技大学 | 全极化sar海岸线地物分类方法 |
CN105718963A (zh) * | 2016-03-09 | 2016-06-29 | 东南大学 | 基于变长增量型极限学习机的sar图像分类方法 |
Non-Patent Citations (4)
Title |
---|
A. S. ISMAIL 等: "SAR IMAGE CLASSIFICATION BASED ON TEXTURE FEATURE FUSION", 《2014 IEEE CHINA SUMMIT&INTERNATIONAL CONFERENCE ON SIGNAL AND INFORMATION PROCESSING》 * |
XIANGYU ZHANG 等: "ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices", 《ARXIV:1707.01083V2》 * |
孔毅 等: "基于GLCM和小波特征的SAR海冰分类", 《解放军理工大学学报(自然科学版)》 * |
胡学岭: "基于多纹理特征和多尺度分析的地基云图分类识别的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002766A (zh) * | 2018-06-22 | 2018-12-14 | 北京邮电大学 | 一种表情识别方法及装置 |
CN109002766B (zh) * | 2018-06-22 | 2021-07-09 | 北京邮电大学 | 一种表情识别方法及装置 |
CN109063760A (zh) * | 2018-07-22 | 2018-12-21 | 西安电子科技大学 | 基于随机森林多尺度卷积模型的极化sar分类方法 |
CN109063760B (zh) * | 2018-07-22 | 2021-06-08 | 西安电子科技大学 | 基于随机森林多尺度卷积模型的极化sar分类方法 |
CN109101905A (zh) * | 2018-07-27 | 2018-12-28 | 河海大学 | 基于深度卷积神经网络的sar图像地物分类识别方法 |
CN109118564A (zh) * | 2018-08-01 | 2019-01-01 | 湖南拓视觉信息技术有限公司 | 一种基于融合体素的三维点云标记方法和装置 |
CN109118564B (zh) * | 2018-08-01 | 2023-09-19 | 山东佳音信息科技有限公司 | 一种基于融合体素的三维点云标记方法和装置 |
CN109299722A (zh) * | 2018-08-16 | 2019-02-01 | 北京旷视科技有限公司 | 用于神经网络的特征图处理方法、装置和系统及存储介质 |
CN109241902A (zh) * | 2018-08-30 | 2019-01-18 | 北京航空航天大学 | 一种基于多尺度特征融合的山体滑坡检测方法 |
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN109255334B (zh) * | 2018-09-27 | 2021-12-07 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN109685135B (zh) * | 2018-12-21 | 2022-03-25 | 电子科技大学 | 一种基于改进型度量学习的少样本图像分类方法 |
CN109685135A (zh) * | 2018-12-21 | 2019-04-26 | 电子科技大学 | 一种基于改进型度量学习的少样本图像分类方法 |
US11443438B2 (en) | 2019-02-25 | 2022-09-13 | Shenzhen Sensetime Technology Co., Ltd. | Network module and distribution method and apparatus, electronic device, and storage medium |
WO2020173115A1 (zh) * | 2019-02-25 | 2020-09-03 | 深圳市商汤科技有限公司 | 网络模块和分配方法及装置、电子设备和存储介质 |
CN110147252A (zh) * | 2019-04-28 | 2019-08-20 | 深兰科技(上海)有限公司 | 一种卷积神经网络的并行计算方法及装置 |
CN110263644A (zh) * | 2019-05-21 | 2019-09-20 | 华南师范大学 | 基于三胞胎网络的遥感图像分类方法、系统、设备及介质 |
CN110263644B (zh) * | 2019-05-21 | 2021-08-10 | 华南师范大学 | 基于三胞胎网络的遥感图像分类方法、系统、设备及介质 |
CN110231625A (zh) * | 2019-06-24 | 2019-09-13 | 南京邮电大学 | 一种基于多尺度融合的综合孔径成像方法 |
CN110231625B (zh) * | 2019-06-24 | 2023-01-31 | 南京邮电大学 | 一种基于多尺度融合的综合孔径成像方法 |
CN110309813B (zh) * | 2019-07-10 | 2020-07-31 | 南京行者易智能交通科技有限公司 | 一种基于深度学习的人眼状态检测的模型训练方法、检测方法、装置、移动端设备及服务器 |
CN110516796A (zh) * | 2019-08-28 | 2019-11-29 | 西北工业大学 | 一种面向嵌入式平台的分组卷积过程优化方法 |
CN111242021B (zh) * | 2020-01-10 | 2022-07-29 | 电子科技大学 | 一种分布式光纤振动信号特征提取与识别方法 |
CN111242021A (zh) * | 2020-01-10 | 2020-06-05 | 电子科技大学 | 一种分布式光纤振动信号特征提取与识别方法 |
CN111325093A (zh) * | 2020-01-15 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 视频分割方法、装置及电子设备 |
CN111402200A (zh) * | 2020-02-18 | 2020-07-10 | 江苏大学 | 基于共生双流卷积网络和数字图像的油炸食品检测系统 |
CN111402200B (zh) * | 2020-02-18 | 2021-12-21 | 江苏大学 | 基于共生双流卷积网络和数字图像的油炸食品检测系统 |
CN111325724B (zh) * | 2020-02-19 | 2023-06-09 | 石家庄铁道大学 | 隧道裂纹区域检测方法和装置 |
CN111325724A (zh) * | 2020-02-19 | 2020-06-23 | 石家庄铁道大学 | 隧道裂纹区域检测方法和装置 |
CN112613581A (zh) * | 2020-12-31 | 2021-04-06 | 广州大学华软软件学院 | 一种图像识别方法、系统、计算机设备和存储介质 |
CN112686274A (zh) * | 2020-12-31 | 2021-04-20 | 上海智臻智能网络科技股份有限公司 | 目标对象的检测方法及设备 |
CN112613581B (zh) * | 2020-12-31 | 2023-10-13 | 广州大学华软软件学院 | 一种图像识别方法、系统、计算机设备和存储介质 |
CN112949740A (zh) * | 2021-03-17 | 2021-06-11 | 重庆邮电大学 | 一种基于多级度量的小样本图像分类方法 |
CN113177456A (zh) * | 2021-04-23 | 2021-07-27 | 西安电子科技大学 | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 |
CN113177456B (zh) * | 2021-04-23 | 2023-04-07 | 西安电子科技大学 | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 |
CN113505769B (zh) * | 2021-09-10 | 2021-12-14 | 城云科技(中国)有限公司 | 目标检测方法及应用其的车辆抛洒滴漏识别方法 |
CN113505769A (zh) * | 2021-09-10 | 2021-10-15 | 城云科技(中国)有限公司 | 目标检测方法及应用其的车辆抛洒滴漏识别方法 |
CN114998662A (zh) * | 2022-06-24 | 2022-09-02 | 四川川测研地科技有限公司 | 实景三维地理信息数据识别与提取方法 |
CN114998662B (zh) * | 2022-06-24 | 2024-05-03 | 四川川测研地科技有限公司 | 实景三维地理信息数据识别与提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108154192B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108230329B (zh) | 基于多尺度卷积神经网络的语义分割方法 | |
Shen et al. | Detection of stored-grain insects using deep learning | |
CN106228201B (zh) | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 | |
CN104915676B (zh) | 基于深层特征学习和分水岭的sar图像分类方法 | |
CN108537102B (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN108830243A (zh) | 基于胶囊网络的高光谱图像分类方法 | |
Liu et al. | Multimorphological superpixel model for hyperspectral image classification | |
CN109978882A (zh) | 一种基于多模态融合的医疗影像目标检测方法 | |
CN107944370A (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN113743417B (zh) | 语义分割方法和语义分割装置 | |
CN108932455B (zh) | 遥感图像场景识别方法及装置 | |
Arun et al. | Convolutional network architectures for super-resolution/sub-pixel mapping of drone-derived images | |
CN108764357A (zh) | 基于压缩-激发的聚合残差网络高光谱图像分类方法 | |
Ahmed et al. | Gray level image contrast enhancement using barnacles mating optimizer | |
Li et al. | Densely connected network for impulse noise removal | |
Zhao et al. | CRAS-YOLO: A novel multi-category vessel detection and classification model based on YOLOv5s algorithm | |
Kate et al. | A 3 Tier CNN model with deep discriminative feature extraction for discovering malignant growth in multi-scale histopathology images | |
CN107239757A (zh) | 一种基于深度阶梯网的极化sar影像目标检测方法 | |
Hattori et al. | Learning self-prior for mesh denoising using dual graph convolutional networks | |
EP3671634B1 (en) | Curvilinear object segmentation with geometric priors | |
CN106203489B (zh) | 基于多尺度深度方向波网络的极化sar图像分类方法 | |
Ripley | Classification and clustering in spatial and image data |
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 |