CN108280412A - 基于变结构cnn的高分辨sar图像目标检测方法 - Google Patents
基于变结构cnn的高分辨sar图像目标检测方法 Download PDFInfo
- Publication number
- CN108280412A CN108280412A CN201810032462.XA CN201810032462A CN108280412A CN 108280412 A CN108280412 A CN 108280412A CN 201810032462 A CN201810032462 A CN 201810032462A CN 108280412 A CN108280412 A CN 108280412A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- pond
- target
- high resolution
- 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.)
- Pending
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种基于变结构CNN的高分辨SAR图像目标检测方法,主要解决传统目标检测方法对高分辨SAR图像进行目标检测时检测结果不准确的问题。其检测过程为:1.构建包含背景图像和目标图像的训练样本;2.对常规卷积神经网络进行改进,即用多个卷积层代替全连接层,得到包括9层结构的变结构卷积神经网络CNN;3.用构建的训练样本对变结构卷积神经网络CNN进行训练,得到车辆目标检测模型;4.将待检测图像输入车辆目标检测模型,得到目标检测结果。本发明具有提取图像特征复杂度低、目标检测结果准确的优点,可应用于目标识别。
Description
技术领域
本发明属于图像处理领域,特别是一种涉及高分辨率SAR图像目标检测的方 法,可应用于目标识别。
背景技术
合成孔径雷达SAR是一种全天候的高分辨率雷达,在地形测绘、海洋观测、大 气与环境调查、军事目标识别及自然灾害监测等诸多领域有着广泛的应用。SAR的 全天候、全天时、远距离及极强的穿透能力,使得SAR与其它遥感雷达、光学雷达 相比有很多差异和优势。例如SAR图像的分割、分类、目标检测、目标识别等均有 广泛的应用。SAR的成像不受天气、光线等因素的影响,而在很大程度上依赖于雷 达自身的特性和成像区域的地物特征。与传统光学图像不同,SAR图像本质上反映 的是目标的电磁散射特性和结构特性,SAR图像的灰度级变化缓慢,并且伴随有大 量的相干斑噪声,因此传统的光学图像的目标检测方法并不适用于SAR图像。
针对SAR图像的这些特性,主要有以下几种多传统的SAR图像处理方法:
一.基于SAR图像伴随的大量相干班噪声的处理方法。这种方法首先对SAR 图像进行滤波处理来削弱相干斑的影响,再对滤波后的图像采用光学图像的分割、 分类或目标识别方法进行处理。常用的SAR图像滤波方法包括Frost滤波、Sigma 滤波、均值滤波、中值滤波、Kuan滤波、Lee滤波、最大后验概率滤波和边缘保持 最优化滤波等方法。经过滤波削弱相干斑的影响后,采用光学图像的处理方法进行 处理,处理效果有所提升,但滤波过程会丢失图像的边缘信息和细节信息,这将导 致目标检测结果轮廓不准确,对目标难以进行精确的检测,对后续工作造成影响;
二.基于图像对比度的目标检测方法。这类方法首先确定SAR图像杂波背景的 统计分布,再根据背景的统计特性求取检测阈值来进行比较判断。常用的方法有恒 虚警率CFAR检测算法、单元平均恒虚警率CA-CFAR方法、Skewness-CFAR检测 方法、OS-CFAR方法、GO-CFAR方法、SO-CFAR方法、增强型CFAR等方法。这 些传统的目标检测方法各有其适用场合,但随着合成孔径雷达的不断发展,SAR图 像的分辨率越来越高,SAR图像的场景内容变的更为复杂,传统SAR图像目标检 测算法已经不适用于当前高分辨率SAR图像,这种不适应性主要体现在两个方面, 一是传统SAR图像分布模型不能很好的逼近高分辨SAR图像的分布,二是高分辨 SAR图像的背景分布变化具有一定的连续性,传统SAR图像分布模型不能很好的 模拟这种特性,这将导致检测结果的边缘模糊,检测结果准确性差;
三.基于图像其他特征的目标检测方法。常用的方法包括基于目标聚类的方法、基于扩展分形特征的方法、多分辨等方法。这些方法的预处理尺度、分割采用的阈 值等很难确定,提取高分辨SAR图像特征的复杂度高,在有大量数据的高分辨率 SAR图像中操作难度大。
随着多合成孔径雷达的不断发展,SAR图像的分辨率越来越高,数据量越来越 大,人们对SAR图像的目标检测的要求也越来越高,对检测效果的评价也更为严苛, 主要表现,在以下几个方面:同质区域的内部一致性要高,要将目标检测为一个整 体,不同的目标应该被有效的区分;目标边界的清晰度、检测的正确率要高;算法 的实用性、可操作性要高。而以上的SAR图像目标检测方法都有一定的缺陷,不能 满足检测的要求。
发明内容
本发明的目的在于针对上述传统方法的不足,采用一种基于变结构卷积神经网络CNN的高分辨SAR图像目标检测方法,以减小对高分辨率SAR图像提取特征 的复杂度,提高检测结果的准确性,实现对目标更精确的检测。
本发明对高分辨SAR图像进行目标检测,利用深度卷积神经网络CNN良好的 特征学习能力和分类能力将高分辨率SAR图像中的目标从背景中检测出来,并将目 标的一半阴影区域作为目标的一部分加入到训练样本的目标图像中,实现对目标的 补偿。
本发明的技术方案是:通过构建一个变结构的深度卷积神经网络CNN,对高分 辨SAR图像的背景、经过补偿的车辆目标的特征进行学习,对变结构的卷积神经网 络CNN进行训练,然后将待检测的高分辨率SAR图像输入到完成训练的变结构卷 积神经网络CNN中,得到最终目标检测结果,其实现方案包括如下:
1)采用尺寸为74×74,滑动步长为5的滑动窗,对含有车辆目标的高分辨SAR 图像相应的背景区域和车辆目标区域滑动,取得图像子块作为训练样本,并对训练 样本的图像子块确定标签;
2)设计包括9层变结构的卷积神经网络CNN,其自下而上依次包括:输入层、 第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、 第四卷积层和第五卷积层;
3)将训练样本中的每个图像依次输入到步骤2)设计的变结构卷积神经网络 CNN中,对该网络进行训练,得到车辆目标检测模型;
4)将待检测的高分辨SAR图像输入到步骤3)得到的车辆目标检测模型中,得 到目标检测结果。
本发明与现有的技术相比具有以下优点:
1、本发明将目标看作一个类别,将背景这种非目标区域看成一个类别,用分类 的方法完成了高分辨率SAR图像的目标检测,使得高分辨率SAR图像目标检测效 果更好;
2、本发明由于采用变结构的卷积神经网络CNN,使得卷积神经网络CNN的所 有层之间的连接都是稀疏连接,减少了参数规模和整个网络的运行时间,并减少了 过拟合问题出现的可能。
3、本发明采用变结构卷积神经网络CNN自动对高分辨SAR图像的特征进行 学习,能获取有效的图像特征,解决了传统方法提取高分辨SAR图像特征复杂度高 的问题。
4、本发明由于在训练样本的目标图像中加入了目标的一半阴影区域,对目标进行了补偿,使检测结果更加的准确;
仿真结果表明,本发明方法较传统卷积神经网络CNN能更有效的进行高分辨 SAR图像车辆目标检测。
附图说明
图1是本发明的实现流程示意图;
图2是本发明采用的变结构卷积神经网络CNN结构图;
图3是本发明在一幅简单背景的高分辨率SAR图像的仿真结果图;
图4是本发明在一副包含复杂地物信息的高分辨率SAR图像上的仿真结果图。
具体实施方式
参照图1,本发明的实现步骤如下:
步骤一、构建训练样本。
采用尺寸为74×74,滑动步长为5的滑动窗,对含有车辆目标的高分辨SAR图像 相应的背景区域和车辆目标区域滑动,取得的图像子块作为训练样本,并对训练样 本中的每个图像子块确定标签。
由于机载SAR系统的成像角度和干扰问题,高分辨SAR图像的目标检测结果是 不准确的,为了使检测到的目标更加准确,本发明在训练样本中的每个目标图像加 入目标的一半阴影区域,对目标进行补偿。因而本实例所构建的训练样本包含两类 图像,即背景类图像和目标类图像,每个背景类图像仅包含背景区域,每个目标类 图像除了包含目标,还包含目标的一半阴影区域。
步骤二、设计变结构卷积神经网络CNN。
本实例设计的变结构卷积神经网络CNN是对传统卷积神经网络的改进,即用 两个卷积层代替了传统卷积神经网络的全连接层,使卷积神经网络的所有网络层间 的连接变成稀疏连接,极大地减少了网络的参数规模和整个网络的运行时间,并减 少了网络出现过拟合问题的可能。
参照图2,本实例改进后的变结构卷积神经网络CNN共包括9层,其自下而上 依次包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷 积层、第三池化层、第四卷积层和第五卷积层,各层参数如下:
输入层为74×74大小的图像;
第一卷积层的卷积核大小为3×3,卷积核个数为16,卷积步长为1,激活函数 为线性修正单元ReLU;
第一池化层的池化大小为2×2,池化步长为2,池化方法为最大池化;
第二卷积层的卷积核大小为5×5,卷积核个数为32,卷积步长为1,激活函数 为线性修正单元ReLU;
第二池化层的池化大小为2×2,池化步长为2,池化方法为最大池化;
第三卷积层的卷积核大小为5×5,卷积核个数为32,卷积步长为1,激活函数 为线性修正单元ReLU;
第三池化层的池化大小为2×2,池化步长为2,池化方法为最大池化;
第四卷积层的卷积核大小为4×4,卷积核个数为64,卷积步长为1,激活函数 为线性修正单元ReLU,采用Dropout策略,以0.5的概率将该层的输出设置为零;
第五卷积层的卷积核大小为3×3,卷积核个数为2,卷积步长为1,激活函数为 线性修正单元ReLU。
本实例中的激活函数采用线性修正单元ReLU,该线性修正单元ReLU相较于 传统的激活函数sigm oid和tanh函数,不仅能够保留结果中的正数,而且能够解决 梯度消失的问题,并加快网络的收敛速度。
步骤三、用训练样本对变结构卷积神经网络CNN进行训练。
3a)随机生成卷积神经网络CNN第二层至第九层的权值wj和偏置bj,其中j 为网络每一层权值和偏置的个数;
3b)给第一层输入一张训练图像s,第一层输出仍为s,再通过前向传导公式依 次计算第二层至第九层的输出o(i)(x):
其中,i为网络层数,i=2,...,9,M表示输入的集合,为第i层的第l 个输入,f(·)为激活函数;
3c)根据训练图像的标签y和步骤3b)计算网络的第九层输出o(x),再通过如 下公式计算网络第九层偏差δ(9):
δ(9)=-(y-o(x));
3d)通过如下公式依次反向计算网络第八层至第二层的偏差:
其中,f'(·)表示对函数f(·)求导,(·)T表示转置,i'表示网络的层数,i'=2,...,8, 表示每个元素相乘;
3e)根据网络第二层到第九层的偏差,通过如下公式计算网络第二层到第九层 的权值梯度和偏置梯度
其中,J(w,b)为损失函数;
3f)通过如下公式更新网络的权值和偏置:
其中,α为网络学习率,为更新后的权值,为更新后的偏置,表 示求偏导数;
3g)对训练样本中的每张图像重复步骤3b)-3f),直到训练样本中的所有图像完成操作,得到车辆目标检测模型。
步骤四、用车辆目标模型对待检测图像进行检测。
4a)通过尺寸为74×74,滑动步长为1的滑动窗对待检测高分辨SAR图像滑动 取块,得到待检测图像子块;
4b)将待检测图像子块输入步骤三得到的车辆目标检测模型中进行检测;
4c)对检测结果图求取联通区域的质心,即得到高分辨SAR图像的车辆目标检 测结果。
本发明的效果可通过以下仿真进一步说明:
1.仿真内容:
从检测目标结果的完整性、误检情况、目标位置信息这些方面评价本发明和现 有方法的检测性能。
实验1,用本发明方法和传统卷积神经网络对简单背景下的高分辨率SAR图像 进行目标检测,结果如图3,其中:图3(a)为待检测图像,图3(b)为用传统卷积神 经网络对图3(a)的检测结果,图3(c)为用本发明方法对图3(a)的检测结果。
从图3可见,传统卷积神经网络将两个目标都检测了出来,检测到的目标完整 性较差,且错误的将一个背景区域检测成了目标,检测到目标的位置信息较实际的 目标位置偏移较大;相比之下,本发明将待检测图像中的两个目标都检测了出来, 检测到的车辆目标结果的完整性较好,没有出现误检情况,检测到的车辆目标的位 置信息也较为准确。
实验2,用本发明方法和传统卷积神经网络对包含复杂地物信息的高分辨率 SAR图像进行目标检测,结果如图4,其中:图4(a)为待检测图像,图4(b)为用传 统卷积神经网络对图4(a)的检测结果,图4(c)为用本发明方法对图4(a)的检测结果。
从图4可见,传统卷积神经网络将两个目标都检测了出来,检测到的目标完整 性较差,并错误的将一个背景区域检测成了目标,检测到目标的位置信息较实际的 目标位置偏移较大;相比之下,本发明方法将两个目标都检测了出来,检测到的目 标的完整性较好,没有出现误检情况,检测到的目标的位置信息更为准确。
Claims (5)
1.一种基于变结构CNN的高分辨SAR图像目标检测方法,其特征在于,包括如下步骤:
1)采用尺寸为74×74,滑动步长为5的滑动窗,对含有车辆目标的高分辨SAR图像相应的背景区域和车辆目标区域滑动,取得图像子块作为训练样本,并对训练样本的图像子块确定标签;
2)设计包括9层变结构的卷积神经网络CNN,其自下而上依次包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层和第五卷积层;
3)将训练样本中的每个图像依次输入到步骤2)设计的变结构卷积神经网络CNN中,对该网络进行训练,得到车辆目标检测模型;
4)将待检测的高分辨SAR图像输入到步骤3)得到的车辆目标检测模型中,得到目标检测结果。
2.根据权利要求1所述的测方法,其特征在于,步骤1)中的训练样本包含两类图像,即背景图像和目标图像,背景图像仅包含背景区域,目标图像除了包含目标,还包含目标的一半阴影区域,即将目标的一半阴影区域视为目标,对目标进行补偿,以使检测的目标更为完整。
3.根据权利要求1所述的方法,其特征在于,步骤2)中设计的卷积神经网络CNN,其各层参数如下:
输入层为74×74大小的图像;
第一卷积层的卷积核大小为3×3,卷积核个数为16,卷积步长为1,激活函数为线性修正单元ReLU;
第一池化层的池化大小为2×2,池化步长为2,池化方法为最大池化;
第二卷积层的卷积核大小为5×5,卷积核个数为32,卷积步长为1,激活函数为线性修正单元ReLU;
第二池化层的池化大小为2×2,池化步长为2,池化方法为最大池化;
第三卷积层的卷积核大小为5×5,卷积核个数为32,卷积步长为1,激活函数为线性修正单元ReLU;
第三池化层的池化大小为2×2,池化步长为2,池化方法为最大池化;
第四卷积层的卷积核大小为4×4,卷积核个数为64,卷积步长为1,激活函数为线性修正单元ReLU,采用Dropout策略,以0.5的概率将该层的输出设置为零;
第五卷积层的卷积核大小为3×3,卷积核个数为2,卷积步长为1,激活函数为线性修正单元ReLU。
4.根据权利要求1所述的方法,其特征在于,所述步骤3)的实现如下:
3a)随机生成卷积神经网络CNN第二层至第九层的权值wj和偏置bj,其中j为网络每一层权值和偏置的个数;
3b)给第一层输入一张训练图像s,第一层输出仍为s,再通过前向传导公式依次计算第二层至第九层的输出o(i)(x):
其中,i为网络层数,i=2,...,9,M表示输入的集合,为第i层的第l个输入,f(·)为激活函数;
3c)根据训练图像的标签y和步骤3b)计算出的网络第九层的输出o(x),通过公式计算网络第九层偏差δ(9):
δ(9)=-(y-o(x));
3d)通过如下公式依次反向计算网络第八层至第二层的偏差:
其中,f'(·)表示对函数f(·)求导,i'表示网络的层数,i'=2,...,8,表示每个元素相乘;
3e)根据网络第二层到第九层的偏差,求出第二层到第九层的权值梯度和偏置梯度其中,J(w,b)为损失函数;
3f)通过如下公式更新网络的权值和偏置:
其中,α为网络学习率,为更新后的权值,为更新后的偏置,表示求偏导数;
3g)对训练样本中的每张图像重复步骤3b)-3f),直到训练样本中的所有图像完成操作。
5.根据权利要求1所述的方法,其特征在于,所述步骤4),其实现如下:
4a)通过尺寸为74×74,滑动步长为1的滑动窗对待检测高分辨SAR图像滑动取块,得到待检测图像子块;
4b)将待检测图像子块输入步骤3)得到的车辆目标检测模型中进行检测;
4c)对检测结果图求取联通区域的质心,即得到高分辨SAR图像的车辆目标检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810032462.XA CN108280412A (zh) | 2018-01-12 | 2018-01-12 | 基于变结构cnn的高分辨sar图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810032462.XA CN108280412A (zh) | 2018-01-12 | 2018-01-12 | 基于变结构cnn的高分辨sar图像目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108280412A true CN108280412A (zh) | 2018-07-13 |
Family
ID=62803536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810032462.XA Pending CN108280412A (zh) | 2018-01-12 | 2018-01-12 | 基于变结构cnn的高分辨sar图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280412A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271856A (zh) * | 2018-08-03 | 2019-01-25 | 西安电子科技大学 | 基于扩张残差卷积的光学遥感图像目标检测方法 |
CN109709536A (zh) * | 2019-01-24 | 2019-05-03 | 电子科技大学 | 一种基于卷积神经网络的sar动目标检测方法 |
CN109993050A (zh) * | 2018-11-28 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种合成孔径雷达图像识别方法 |
CN111160219A (zh) * | 2019-12-26 | 2020-05-15 | 深圳云天励飞技术有限公司 | 对象完整度评估方法、装置、电子设备及存储介质 |
CN111695478A (zh) * | 2020-06-04 | 2020-09-22 | 济南信通达电气科技有限公司 | 一种目标检测方法及设备 |
CN113205564A (zh) * | 2021-04-07 | 2021-08-03 | 北京理工大学 | 一种sar智能目标边缘重构方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN101556739A (zh) * | 2009-05-14 | 2009-10-14 | 浙江大学 | 基于本征图像分解的车辆检测算法 |
CN102074113A (zh) * | 2010-09-17 | 2011-05-25 | 浙江大华技术股份有限公司 | 基于视频的牌照识别和车辆速度测量方法 |
CN107229918A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种基于全卷积神经网络的sar图像目标检测方法 |
CN107247930A (zh) * | 2017-05-26 | 2017-10-13 | 西安电子科技大学 | 基于cnn和选择性注意机制的sar图像目标检测方法 |
-
2018
- 2018-01-12 CN CN201810032462.XA patent/CN108280412A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017573A (zh) * | 2007-02-09 | 2007-08-15 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN101556739A (zh) * | 2009-05-14 | 2009-10-14 | 浙江大学 | 基于本征图像分解的车辆检测算法 |
CN102074113A (zh) * | 2010-09-17 | 2011-05-25 | 浙江大华技术股份有限公司 | 基于视频的牌照识别和车辆速度测量方法 |
CN107229918A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种基于全卷积神经网络的sar图像目标检测方法 |
CN107247930A (zh) * | 2017-05-26 | 2017-10-13 | 西安电子科技大学 | 基于cnn和选择性注意机制的sar图像目标检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271856A (zh) * | 2018-08-03 | 2019-01-25 | 西安电子科技大学 | 基于扩张残差卷积的光学遥感图像目标检测方法 |
CN109271856B (zh) * | 2018-08-03 | 2021-09-03 | 西安电子科技大学 | 基于扩张残差卷积的光学遥感图像目标检测方法 |
CN109993050A (zh) * | 2018-11-28 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种合成孔径雷达图像识别方法 |
CN109993050B (zh) * | 2018-11-28 | 2019-12-27 | 中国人民解放军国防科技大学 | 一种合成孔径雷达图像识别方法 |
CN109709536A (zh) * | 2019-01-24 | 2019-05-03 | 电子科技大学 | 一种基于卷积神经网络的sar动目标检测方法 |
CN111160219A (zh) * | 2019-12-26 | 2020-05-15 | 深圳云天励飞技术有限公司 | 对象完整度评估方法、装置、电子设备及存储介质 |
CN111160219B (zh) * | 2019-12-26 | 2022-04-26 | 深圳云天励飞技术股份有限公司 | 对象完整度评估方法、装置、电子设备及存储介质 |
CN111695478A (zh) * | 2020-06-04 | 2020-09-22 | 济南信通达电气科技有限公司 | 一种目标检测方法及设备 |
CN113205564A (zh) * | 2021-04-07 | 2021-08-03 | 北京理工大学 | 一种sar智能目标边缘重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280412A (zh) | 基于变结构cnn的高分辨sar图像目标检测方法 | |
CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN103810699B (zh) | 基于无监督深度神经网络的sar图像变化检测方法 | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
CN104899866B (zh) | 一种智能化的红外小目标检测方法 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN109508710A (zh) | 基于改进YOLOv3网络的无人车夜间环境感知方法 | |
CN102819740B (zh) | 一种单帧红外图像弱小目标检测和定位方法 | |
CN103729854B (zh) | 一种基于张量模型的红外弱小目标检测方法 | |
CN106780485A (zh) | 基于超像素分割和特征学习的sar图像变化检测方法 | |
CN104200471B (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
CN104834915B (zh) | 一种复杂云天背景下小红外目标检测方法 | |
CN108830331A (zh) | 一种基于全卷积网络的探地雷达目标检测方法 | |
CN105374026B (zh) | 一种适用于海防监控的海上红外小目标的检测方法 | |
CN105844279A (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
CN103824302B (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN106056097A (zh) | 毫米波弱小目标检测方法 | |
CN109146890A (zh) | 基于滤波器的高光谱图像的异常目标检测方法 | |
CN105405132A (zh) | 基于视觉反差和信息熵的sar图像人造目标检测方法 | |
CN104751185A (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 | |
CN105654516A (zh) | 基于目标显著性的卫星图像对地面弱小运动目标检测方法 | |
CN109191418A (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
CN108734200A (zh) | 基于bing特征的人体目标视觉检测方法和装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180713 |
|
WD01 | Invention patent application deemed withdrawn after publication |