CN108846414A - 基于决策级融合思想的sar图像子类别分类方法 - Google Patents
基于决策级融合思想的sar图像子类别分类方法 Download PDFInfo
- Publication number
- CN108846414A CN108846414A CN201810492795.0A CN201810492795A CN108846414A CN 108846414 A CN108846414 A CN 108846414A CN 201810492795 A CN201810492795 A CN 201810492795A CN 108846414 A CN108846414 A CN 108846414A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- subclassification
- residual
- sar image
- decision level
- 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
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于决策级融合思想的SAR图像子分类方法。该方法首先对训练样本通过高斯窗函数进行滤波,之后对滤波后的SAR图像,通过算法提取出所需要的方向梯度直方图值与灰度共生矩阵的值,并将这些特征值合并为一列向量,再将不同子类别的SAR图像的特征值按照顺序构成一个过完备字典;然后,使用字典表示测试样本,将测试图像所提取的每一个特征通过逐步正交匹配追踪算法在每一个子分类的字典上求得重构残差,将所有特征的重构残差利用决策级融合,获取最小残差,最后选取融合后的最小残差值对应的子类别作为判别结果。本发明充分利用了基于决策级融合思想的稀疏表示框架的良好分辨能力,有效地提高了SAR图像目标的子分类的正确率。
Description
技术领域
本发明涉及图像处理领域,更具体的涉及一种基于决策级融合思想的合成孔径雷达(Synthetic Aperture Radar,SAR)图像子类别分类方法。
背景技术
图像分类是图像解译的基础,是实现系统自动目标识别的必要技术手段,同时图像分类技术也是信息技术众多领域的核心技术之一。SAR图像分类即是通过研究目标散射回波来提取目标特征,分析目标特征,对不同的类别目标加以区分。然而,考虑到高分辨SAR图像中目标个体间的差异性和结构间的低对比度等内在特性,即使采用较优秀的特征提取算法,特征空间中也经常表现出较大的类内差异和类间模糊,给图像分类带来了巨大的挑战。
近年来研究者提出的面向光学图像的子类别分类模型在解决特征空间的复杂性上,表现出了较好的潜力。但是遗憾的是,由于SAR图像的成像机理与光学成像机理不同。与光学图像相比,SAR图像中的目标特征变换较大,特征辨别能力较弱,且SAR图像本身的相干斑噪声也给目标的特征提取和分析带来了一定的困难,特征空间面临更大的类内差异和类间模糊。在此情况下,基于判别分类器的方法会受到限制,而且,缺乏有效融合策略的分类模型在面临较大的类间模糊条件时,分类的精度易受到较大影响。因此,在考虑鲁棒性能和精度要求的实际场景下,现有的子类别分类方法的性能将会受到很大的限制,甚至是不合适的。所以,亟需设计鲁棒性好、精度高、适应性强的子类别分类模型优化方案。
发明内容
本发明目的是针对现有的SAR图像子类别分类方法的不足之处,以提高SAR图像目标的子分类的准确性,发明了一种基于决策级融合思想的SAR图像子分类方法。
本发明的基本思路是,首先对训练样本通过高斯窗函数进行滤波,以降低SAR图像噪声,之后对于滤波后的SAR图像,通过算法提取出所需要的方向梯度直方图(HOG)值与灰度共生矩阵(GLCM)的值,并将这些特征值合并为一列向量,再将不同子类别的SAR图像的特征值按照顺序构成一个过完备字典。然后,使用字典表示测试样本,将测试图像所提取的每一个特征通过逐步正交匹配追踪算法(StOMP)在每一个子分类的字典上求得重构残差,将所有特征的重构残差利用决策级融合,获取最小残差,最后选取融合后的最小残差值对应的子类别作为判别结果。
本发明的目的是通过以下技术方案来实现的,基于决策级融合思想的SAR图像子分类方法,包括以下具体步骤:
1.基于决策级融合思想的SAR图像子分类方法,其特征在于,包括以下具体步骤:
步骤1,预处理,即用高斯窗函数对SAR图像进行平滑滤波处理;
步骤2,特征提取,通过方向梯度直方图(HOG)与灰度共生矩阵(GLCM)两种不同的特征类型提取特征;
步骤3,构造过完备字典,将步骤2中得到的所有训练样本图像的特征值合并为一列向量,再将不同子类别的SAR图像的特征值按照顺序构成一个过完备字典;
步骤4,对于待测试的样本,通过特征提取算法获得待测试样本的方向梯度直方图(HOG)值xhog和灰度共生矩阵(GLCM)的值xglcm;
步骤5,使用逐步正交匹配追踪算法,计算步骤4中得到的待测试样本在过完备字典中的最佳稀疏表示系数,以及每个特征在每一个子分类上的重构残差;
步骤6,基于决策级融合思想的特征重构残差融合进行子分类,即将待测试样本在步骤5中求得的重构残差,利用决策级融合思想将每一个特征的重构残差进行决策级融合,依据融合结果判断待测试样本的子类别。
2.根据权利要求1所述的基于决策级融合思想的SAR图像子分类方法,其特征在于,所述步骤3的具体步骤如下:
步骤3-1,将样本图像的特征值按照方向梯度直方图(HOG)值x和灰度共生矩阵(GLCM)的值y的顺序合并成一个列向量Y=[x;y];
步骤3-2,将同一个子分类的所有SAR图像的特征向量合并成为一个子矩阵,作为该子类别图像的子字典Dn=[Y1,Y2,L,Yi];
步骤3-3,再将所有子类别的子字典合并起来,构造成为该目标类别的过完备字典D=[D1,D2,L,Dn]。
3.根据权利要求1所述的基于决策级融合思想的SAR图像子分类方法,其特征在于,所述步骤5的具体过程如下:
以下流程中:rt表示残差,t表示迭代次数,S表示最大迭代次数,表示空集,J0表示每次迭代找到的索引(列序号),Λt表示t次迭代的索引集合,D表示字典矩阵,dj表示矩阵D的第j列,Dt表示按索引Λt选出的矩阵D的集合;
步骤5-1,首先对于逐步正交匹配追踪算法参数进行初始化
步骤5-2,计算u=abs[DTrt-1](DT表示字典矩阵D的转置),选择u中大于门限ε的值,ε为阈值,本发明设置为10-5,选取这些值对应D中的列序号j,构成集合J0(列序号集合);
步骤5-3,令Λt=Λt-1∪J0,Dt=Dt-1∪dj(for allj∈J0);若Λt=Λt-1,即无新列被选中,则停止迭代进入步骤5-7;
步骤5-4,求Y=Dtθt的最小二乘解;
步骤5-5,更新残差;
步骤5-6,t=t+1,如果t≤S则返回步骤5-2继续迭代,如果t>S或者残差rt=0则停止迭代进入步骤5-7;
步骤5-7,如果重构系数在Λt处有非零项,则取最后一次迭代所得作为最终输出
步骤5-8,将每个特征在每一个子字典上,利用逐步正交匹配追踪算法,得到该特征在每一个子字典上的重构残差。
4.根据权利要求1所述的基于决策级融合思想的SAR图像子分类方法,其特征在于,所述步骤6具体为:
步骤6-1,在稀疏表示重构的模型中,X表示一个特征类型,Dn是训练样本图像的子分类字典;对于第i个特征类型Xi(i=1,2,L,N)时,求出在其每一个子字典上相应的重构残差;对于所有N类型的特征,生成N个残差序列,表示为:
r={rij,i=1,2,K,N;j=1,2,K,n}。
步骤6-2,通过决策级融合思想,将测试样本在每个子字典上的所有特征的重构残差进行线性等权融合,找到残差融合后的最小残差,则该最小残差对应的子类别就是图像的子类别分类结果:
类别:
通过所得的重构残差进行决策级融合来判断SAR图像的子分类。测试样本在某一子分类对应的重构残差和越小,则说明该SAR目标图像属于这一子分类的概率就越大,图像子分类的正确率就越高。
本发明与现有的图像的子分类方法相比,充分地利用了基于决策级融合思想的稀疏表示框架的良好分辨能力,有效的提高了SAR图像子分类的正确性,结果更加准确。
附图说明
图1为本发明的实现流程图。
具体实施方式
下面结合附图对本发明实施例作详细说明。
本发明使用SAR图像目标数据,目的是对同一类图像做子类别分类处理,以便在后续的图像处理中能够更加准确的检测到物体并对其进行准确分类。对于所有的SAR图像目标,按照本发明技术方案的流程图图1进行处理,具体步骤如下:
步骤1,预处理,即用高斯窗函数对SAR图像进行滤波,去除图像中的噪声污染,以便图像能够更好的进行下一步的处理。
步骤2,利用特征提取算法分别提取训练样本的方向梯度直方图(HOG)值x和灰度共生矩阵(GLCM)的值y。
步骤3,构造过完备字典,字典是一种稀疏表示的模型,因此构造过完备字典在稀疏表示中是必不可少的一个模块,对于步骤2中得到的所有训练样本图像的特征值做以下的处理:
步骤3-1,首先将提取的样本图像的特征值按照方向梯度直方图(HOG)值x和灰度共生矩阵(GLCM)值y的顺序合并成一个列向量Y=[x;y],该列向量便是该样本图像的特征向量;
步骤3-2,将同一个子分类的所有图像的特征向量合并成为一个矩阵,作为该子类别的子字典Dn=[Y1,Y2,L,Yi];
步骤3-3,将每一个子分类的字典合并起来,构造成为基于稀疏表示的图像分类处理过程的过完备字典D=[D1,D2,L,Dn]。
步骤4,对于待测试的样本通过特征提取算法获得待测试样本的方向梯度直方图(HOG)值xhog和灰度共生矩阵(GLCM)的值xglcm,将xhog和xglcm合并成一个列向量便得到我们的原始测试样本T=[xhog;xglcm]。
步骤5,使用逐步正交匹配追踪算法,计算步骤4中得到的待测试样本在过完备字典中的最佳稀疏表示系数,以及每一个特征在每个子分类上的重构残差,过程如下:
以下流程中:rt表示残差,t表示迭代次数,S表示最大迭代次数,表示空集,J0表示每次迭代找到的索引(列序号),Λt表示t次迭代的索引集合,D表示字典矩阵,dj表示矩阵D的第j列,Dt表示按索引Λt选出的矩阵D的集合。
步骤5-1,首先对于逐步正交匹配追踪算法参数进行初始化:
步骤5-2,计算u=abs[DTrt-1](DT表示字典矩阵D的转置),选择u中大于门限ε的值(ε为阈值,本发明设置为10-5),选取这些值对应D中的列序号j,构成集合J0(列序号集合);
步骤5-3,令Λt=Λt-1∪J0,Dt=Dt-1∪dj(forallj∈J0);若Λt=Λt-1(即无新列被选中),则停止迭代进入步骤5-7;
步骤5-4,求Tt=Dtθt的最小二乘解:
步骤5-5,更新残差:
步骤5-6,t=t+1,如果t≤S则返回步骤5-2继续迭代,如果t>S或者残差rt=0则停止迭代进入步骤5-7;
步骤5-7,如果重构系数在Λt处有非零项,取最后一次迭代对应的系数作为最终输出
步骤5-8,将待测试样本的每个特征在每一个子字典上,利用逐步正交匹配追踪算法,得到该特征在每一个子字典上的重构残差r。
步骤6,基于决策级融合思想的特征重构残差融合进行分类,即将待测试样本在步骤5-8中求得的重构残差,利用决策级融合思想将每一个特征的重构残差进行决策级融合,依据融合结果判断待测试样本的子类别。
步骤6-1,在稀疏表示重构的模型中,X表示一个特征类型,Di是训练样本图像的子分类字典。相应地,对于第i个特征类型Xi(i=1,2,L,N)时,求出在每一个子字典上相应的重构残差。因此,对于所有N类型的特征,可以生成N个残差序列,表示为:
r={rij,i=1,2,K,N;j=1,2,K,n}。
步骤6-2,通过决策级融合思想,将测试样本在每个子字典上的所有特征的重构残差进行线性等权融合,找到残差融合后的最小残差,则该最小残差对应的子类别就是图像的子类别分类结果:
类别:
通过所得的重构残差进行决策级融合来判断SAR图像的子分类。在某一子分类对应的重构残差和越小,则说明该SAR目标图像属于这一子分类的概率就越大,图像子分类的正确率就越高。
通过与其他两种算法(SVM算法、KNN算法)的比较来对本发明所提方法的性能进行评估。实验中我们选择SAR图像作为实验数据,使用SVM方法、KNN方法和本发明所提方法,对同一种目标进行子类别分类实验,其具体的子分类结果(即目标的子类别分类正确率)如表1所示。
表1 SVM算法、KNN算法和本发明所提算法的试验结果
从子分类结果表1中可以看出,本发明提供的方法与其他2种方法相比,具有良好的子分类能力,针对现有的SAR图像子分类方法在复杂场景中的不足之处,确实提高了SAR图像子分类的正确性。而且,当训练样本数目越大,构造的过完备字典越大时,本发明所提方法的性能更好。
以上对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (4)
1.基于决策级融合思想的SAR图像子分类方法,其特征在于,包括以下具体步骤:
步骤1,预处理,即用高斯窗函数对SAR图像进行平滑滤波处理;
步骤2,特征提取,通过方向梯度直方图(HOG)与灰度共生矩阵(GLCM)两种不同的特征类型提取特征;
步骤3,构造过完备字典,将步骤2中得到的所有训练样本图像的特征值合并为一列向量,再将不同子类别的SAR图像的特征值按照顺序构成一个过完备字典;
步骤4,对于待测试的样本,通过特征提取算法获得待测试样本的方向梯度直方图(HOG)值xhog和灰度共生矩阵(GLCM)的值xglcm;
步骤5,使用逐步正交匹配追踪算法,计算步骤4中得到的待测试样本在过完备字典中的最佳稀疏表示系数,以及每个特征在每一个子分类上的重构残差;
步骤6,基于决策级融合思想的特征重构残差融合进行子分类,即将待测试样本在步骤5中求得的重构残差,利用决策级融合思想将每一个特征的重构残差进行决策级融合,依据融合结果判断待测试样本的子类别。
2.根据权利要求1所述的基于决策级融合思想的SAR图像子分类方法,其特征在于,所述步骤3的具体步骤如下:
步骤3-1,将样本图像的特征值按照方向梯度直方图(HOG)值x和灰度共生矩阵(GLCM)的值y的顺序合并成一个列向量Y=[x;y];
步骤3-2,将同一个子分类的所有SAR图像的特征向量合并成为一个子矩阵,作为该子类别图像的子字典Dn=[Y1,Y2,L,Yi];
步骤3-3,再将所有子类别的子字典合并起来,构造成为该目标类别的过完备字典D=[D1,D2,L,Dn]。
3.根据权利要求1所述的基于决策级融合思想的SAR图像子分类方法,其特征在于,所述步骤5的具体过程如下:
以下流程中:rt表示残差,t表示迭代次数,S表示最大迭代次数,表示空集,J0表示每次迭代找到的索引(列序号),Λt表示t次迭代的索引集合,D表示字典矩阵,dj表示矩阵D的第j列,Dt表示按索引Λt选出的矩阵D的集合;
步骤5-1,首先对于逐步正交匹配追踪算法参数进行初始化r0=y, t=1,S=10;
步骤5-2,计算u=abs[DTrt-1](DT表示字典矩阵D的转置),选择u中大于门限ε的值,ε为阈值,设置为10-5,选取这些值对应D中的列序号j,构成集合J0(列序号集合);
步骤5-3,令Λt=Λt-1∪J0,Dt=Dt-1∪dj(for all j∈J0);若Λt=Λt-1,即无新列被选中,则停止迭代进入步骤5-7;
步骤5-4,求Y=Dtθt的最小二乘解;
步骤5-5,更新残差;
步骤5-6,t=t+1,如果t≤S则返回步骤5-2继续迭代,如果t>S或者残差rt=0则停止迭代进入步骤5-7;
步骤5-7,如果重构系数在Λt处有非零项,则取最后一次迭代所得作为最终输出
步骤5-8,将每个特征在每一个子字典上,利用逐步正交匹配追踪算法,得到该特征在每一个子字典上的重构残差。
4.根据权利要求1所述的基于决策级融合思想的SAR图像子分类方法,其特征在于,所述步骤6具体为:
步骤6-1,在稀疏表示重构的模型中,X表示一个特征类型,Dn是训练样本图像的子分类字典;对于第i个特征类型Xi(i=1,2,L,N)时,求出在其每一个子字典上相应的重构残差;对于所有N类型的特征,生成N个残差序列,表示为:
r={rij,i=1,2,K,N;j=1,2,K,n}。
步骤6-2,通过决策级融合思想,将测试样本在每个子字典上的所有特征的重构残差进行线性等权融合,找到残差融合后的最小残差,则该最小残差对应的子类别就是图像的子类别分类结果:
类别:
通过所得的重构残差进行决策级融合来判断SAR图像的子分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810492795.0A CN108846414B (zh) | 2018-05-22 | 2018-05-22 | 基于决策级融合思想的sar图像子类别分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810492795.0A CN108846414B (zh) | 2018-05-22 | 2018-05-22 | 基于决策级融合思想的sar图像子类别分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846414A true CN108846414A (zh) | 2018-11-20 |
CN108846414B CN108846414B (zh) | 2021-09-28 |
Family
ID=64213246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810492795.0A Active CN108846414B (zh) | 2018-05-22 | 2018-05-22 | 基于决策级融合思想的sar图像子类别分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846414B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378415A (zh) * | 2019-07-19 | 2019-10-25 | 浙江理工大学 | 一种sar图像分类算法 |
CN110728311A (zh) * | 2019-09-29 | 2020-01-24 | 贝壳技术有限公司 | 一种图像处理方法、装置和存储介质 |
CN111914688A (zh) * | 2020-07-15 | 2020-11-10 | 南京邮电大学 | 一种适用于无人车的行人及障碍物检测算法 |
CN112183660A (zh) * | 2020-10-19 | 2021-01-05 | 浙江理工大学 | 一种基于类间模糊抑制的判别字典学习纺织图像分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714148A (zh) * | 2013-12-24 | 2014-04-09 | 西安电子科技大学 | 基于稀疏编码分类的sar图像检索方法 |
CN104142978A (zh) * | 2014-07-14 | 2014-11-12 | 重庆邮电大学 | 一种基于多特征和稀疏表示的图像检索系统及方法 |
-
2018
- 2018-05-22 CN CN201810492795.0A patent/CN108846414B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714148A (zh) * | 2013-12-24 | 2014-04-09 | 西安电子科技大学 | 基于稀疏编码分类的sar图像检索方法 |
CN104142978A (zh) * | 2014-07-14 | 2014-11-12 | 重庆邮电大学 | 一种基于多特征和稀疏表示的图像检索系统及方法 |
Non-Patent Citations (2)
Title |
---|
YUEHUIHUI00: "压缩感知重构算法之逐步正交匹配追踪(StOMP)", 《HTTPS://BLOG.CSDN.NET/YUEHUIHUI00/ARTICLE/DETAILS/78326807》 * |
翟林: "基于模糊分类与压缩感知的掌纹识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378415A (zh) * | 2019-07-19 | 2019-10-25 | 浙江理工大学 | 一种sar图像分类算法 |
CN110728311A (zh) * | 2019-09-29 | 2020-01-24 | 贝壳技术有限公司 | 一种图像处理方法、装置和存储介质 |
CN111914688A (zh) * | 2020-07-15 | 2020-11-10 | 南京邮电大学 | 一种适用于无人车的行人及障碍物检测算法 |
CN111914688B (zh) * | 2020-07-15 | 2022-08-30 | 南京邮电大学 | 一种适用于无人车的行人及障碍物检测算法 |
CN112183660A (zh) * | 2020-10-19 | 2021-01-05 | 浙江理工大学 | 一种基于类间模糊抑制的判别字典学习纺织图像分类方法 |
CN112183660B (zh) * | 2020-10-19 | 2024-02-06 | 浙江理工大学 | 一种基于类间模糊抑制的判别字典学习纺织图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108846414B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
CN108122008B (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
CN108846414A (zh) | 基于决策级融合思想的sar图像子类别分类方法 | |
CN112270347A (zh) | 一种基于改进ssd的医疗废弃物分类检测方法 | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN110348384B (zh) | 一种基于特征融合的小目标车辆属性识别方法 | |
CN110533069B (zh) | 一种基于支持向量机算法的二维箔条分布特性识别方法 | |
CN109543674B (zh) | 一种基于生成对抗网络的图像拷贝检测方法 | |
CN103679187B (zh) | 图像识别方法和系统 | |
CN109118473A (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
CN112085112A (zh) | 一种图像类别检测方法、系统、电子设备及存储介质 | |
CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
CN110163274A (zh) | 一种基于鬼成像和线性判别分析的物体分类方法 | |
Zhang et al. | CE-RetinaNet: A channel enhancement method for infrared wildlife detection in UAV images | |
CN112270285B (zh) | 一种基于稀疏表示和胶囊网络的sar图像变化检测方法 | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
CN116953702A (zh) | 基于演绎范式的旋转目标检测方法及装置 | |
CN115861595A (zh) | 一种基于深度学习的多尺度域自适应异源图像匹配方法 | |
CN115423090A (zh) | 一种面向细粒度识别的类增量学习方法 | |
CN115331078A (zh) | 一种基于ESR-YOLOv5的光学遥感图像目标检测方法 | |
CN105373809B (zh) | 基于非负最小二乘稀疏表示的sar目标识别方法 | |
CN110135280A (zh) | 一种基于稀疏表征分类的多视图sar自动目标识别方法 | |
CN116912920B (zh) | 表情识别方法及装置 | |
CN115620172B (zh) | 一种基于跨域多特征海上舰船目标智能化综合识别方法 | |
CN117274788B (zh) | 一种声呐图像目标定位方法、系统、电子设备及存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221012 Address after: Room 406, building 19, haichuangyuan, No. 998, Wenyi West Road, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: HANGZHOU HUICUI INTELLIGENT TECHNOLOGY CO.,LTD. Address before: 310018 no.928, Xiasha No.2 street, Jianggan District, Hangzhou City, Zhejiang Province Patentee before: ZHEJIANG SCI-TECH University |