CN110110625A - Sar图像目标识别方法及装置 - Google Patents
Sar图像目标识别方法及装置 Download PDFInfo
- Publication number
- CN110110625A CN110110625A CN201910332677.8A CN201910332677A CN110110625A CN 110110625 A CN110110625 A CN 110110625A CN 201910332677 A CN201910332677 A CN 201910332677A CN 110110625 A CN110110625 A CN 110110625A
- Authority
- CN
- China
- Prior art keywords
- network model
- random arrangement
- sar image
- image target
- arrangement 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种SAR图像目标识别方法及装置，其中方法包括：获取SAR图像目标数据；利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：根据随机配置网络模型的输出权重确定随机配置网络模型的残差；若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。本发明提供的方法在避免网络训练过程中出现过拟合现象的同时，提高网络性能，保证SAR图像目标识别结果的准确性。
Description
技术领域
本发明涉及SAR图像分析技术领域，尤其涉及SAR图像目标识别方法及装置。
背景技术
合成孔径雷达(synthetic aperture radar，SAR)是一种高分辨率成像雷达，可以在能见度极低的气象条件下获得高分辨率雷达图像。它具有不受光照、天气等外部条件限制的优点，还可以进行全天时、全天候、长期的监测。随着雷达技术的发展，SAR图像监测已经广泛应用于农业、军事等各个领域。随着SAR技术的发展，SAR数据大量增加，传统的基于人工判读的图像识别方法不能满足实时性、准确性等等需求。因此通过计算机程序来实现SAR图像目标的识别是目前的研究热点以及难点。
SAR图像不同于光学图像，它通常表现为稀疏的散射中心分布，并对成像的方位非常敏感，在不同视角上的目标呈现很大的差异。目前常用的SAR目标识别方法有基于神经网络的算法，神经网络以其强大的自学习能力、高速寻找最优解等能力，得到了广泛的应用。网络架构的选择以及参数的设置是影响识别性能的两大关键因素。在网络架构的选择方面，随机网络以其能够通过随机选取网络参数集把非线性问题近乎简化为线性问题，且不需要通过迭代优化网络参数来提高学习速度等优势，开始引起人们的关注。其中，随机向量函数功能连接(Random Vector Functional Link,RVFL)是随机网络的一个典型模型，其通过随机权重把输入信息投射到更高纬度空间，把需要通过多次迭代优化的网络转换为线性最小二乘问题，相比迭代学习大大减少了训练网络所需时间。但是该模型在实际应用中，仍存在参数设置不合理的问题。随机配置网络(stochastic configuration network,SCN)可以有效解决参数的设置问题，其通过不等式约束来随机配置输入权重和偏置，且逐渐增加隐藏层节点数逐渐增加，有效降低网络的复杂度且减少了参数的设置。
在随机配置网络SCN的训练过程中容易出现过拟合现象，因此，通常在训练中采用早停法来防止过拟合现象的发生，但是这种方法仅适用于样本量非常大的情况，在SAR图像目标识别中，经常面临SAR数据较少的情况，利用早停法来防止过拟合现象存在网络的性能未达到最优就停止训练的问题，网络性能不可靠，利用该网络获得的识别结果不准确。
发明内容
本发明实施例提供一种SAR图像目标识别方法，用以准确识别SAR图像目标，在避免网络训练过程中出现过拟合现象的同时，提高网络性能，保证SAR图像目标识别结果的准确性，该方法包括：
获取SAR图像目标数据；
利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：
重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：
根据随机配置网络模型的输出权重确定随机配置网络模型的残差；
若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。
本发明实施例提供一种SAR图像目标识别装置，用以准确识别SAR图像目标，在避免网络训练过程中出现过拟合现象的同时，提高网络性能，保证SAR图像目标识别结果的准确性，该装置包括：
数据获取模块，用于获取SAR图像目标数据；
目标识别模块，用于利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：
重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：
根据随机配置网络模型的输出权重确定随机配置网络模型的残差；
若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下方法：
获取SAR图像目标数据；
利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：
重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：
根据随机配置网络模型的输出权重确定随机配置网络模型的残差；
若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行如下方法的计算机程序：
获取SAR图像目标数据；
利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：
重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：
根据随机配置网络模型的输出权重确定随机配置网络模型的残差；
若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。
相对于现有技术中采用早停法来防止随机配置网络SCN的过拟合现象的技术方案而言，本发明实施例通过获取SAR图像目标数据，利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，在随机配置网络模型的训练过程中，第一步先根据随机配置网络模型的输出权重确定随机配置网络模型的残差，第二步为若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重，从而对随机配置网络模型中输出权重较大的权值进行衰减，有效避免网络训练过程中出现过拟合现象，然后重复执行第一步和第二步，直至随机配置网络模型的残差满足约束条件，在避免网络训练过程中出现过拟合现象的同时，使网络性能达到最优，保证了SAR图像目标识别结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中SAR图像目标识别方法示意图；
图2为本发明实施例中SAR图像目标识别装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
为了准确识别SAR图像目标，在避免网络训练过程中出现过拟合现象的同时，提高网络性能，保证SAR图像目标识别结果的准确性，本发明实施例提供一种SAR图像目标识别方法，如图1所示，该方法可以包括：
步骤101、获取SAR图像目标数据；
步骤102、利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：
重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：
根据随机配置网络模型的输出权重确定随机配置网络模型的残差；
若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。
由图1所示可以得知，本发明实施例通过获取SAR图像目标数据，利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，在随机配置网络模型的训练过程中，第一步先根据随机配置网络模型的输出权重确定随机配置网络模型的残差，第二步为若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重，从而对随机配置网络模型中输出权重较大的权值进行衰减，有效避免网络训练过程中出现过拟合现象，然后重复执行第一步和第二步，直至随机配置网络模型的残差满足约束条件，在避免网络训练过程中出现过拟合现象的同时，使网络性能达到最优，保证了SAR图像目标识别结果的准确性。
具体实施时，首先获取SAR图像目标数据，然后利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果。目前常用的SAR目标识别方法有基于神经网络的算法，神经网络以其强大的自学习能力、高速寻找最优解等能力，得到了广泛的应用。网络架构的选择以及参数的设置是影响识别性能的两大关键因素。在网络架构的选择方面，随机网络以其能够通过随机选取网络参数集把非线性问题近乎简化为线性问题，且不需要通过迭代优化网络参数来提高学习速度等优势，开始引起人们的关注。其中，随机向量函数功能连接(Random Vector Functional Link,RVFL)是随机网络的一个典型模型，其通过随机权重把输入信息投射到更高纬度空间，把需要通过多次迭代优化的网络转换为线性最小二乘问题，相比迭代学习大大减少了训练网络所需时间。但是该模型在实际应用中，仍存在参数设置不合理的问题。发明人发现，随机配置网络(stochastic configuration network,SCN)可以有效解决参数的设置问题，其通过不等式约束来随机配置输入权重和偏置，且逐渐增加隐藏层节点数逐渐增加，有效降低网络的复杂度且减少了参数的设置。
实施例中，在获取SAR图像目标数据之后，提取SAR图像目标数据的投影特征；利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果包括：利用训练好的随机配置网络模型获得所述投影特征的识别结果。目前应用于SAR目标识别的特征主要包括：几何形状特征、投影特征和电磁散射特征。发明人发现，几何形状特征描述了目标的物理尺寸、几何外形等信息，具有良好的直观性，典型的几何形状特征有目标区域、目标轮廓、纹理特征等，但是常用几何特征的计算方法受SAR图像中强散射目标旁瓣效应的影响,特征提取的精度普遍不高。目标的电磁散射特征可以很好反映目标的本质属性，代表性的电磁散射特征为目标散射中心，如属性散射中心(attributed scattering center，ASC)，可以为目标提供丰富的物理结构信息，但是由于目标的电磁散射特性随着目标内部配置、环境及观测条件的变化均可发生强烈的变化，通过实际测量和仿真建立包含各种条件的完备模板库非常困难。投影特征通过对原始SAR图像投影变换的方式得到特征矢量，降低维度，更适合应用于SAR图像的特征提取。因此，本发明实施例在获取SAR图像目标数据之后，提取SAR图像目标数据的投影特征，然后利用训练好的随机配置网络模型获得所述投影特征的识别结果，从而获得更加准确的识别结果。
实施例中，采用二维主成分分析(two-dimensional principal componentanalysis，2DPCA)获得SAR图像目标数据的投影特征。目前典型的获得投影特征的方法包括主成分分析(principal component analysis，PCA)，线性鉴别分析(linear discriminantanalysis，LDA)。PCA算法是一种典型的特征提取算法，提取出的SAR图像目标的特征信息与其散射中心信息相对应，而散射中心信息是SAR目标的关键识别特征，相比其他算法，利用PCA算法可以提取出更加具有辨识度的SAR图像特征。但是发明人发现，基于PCA算法的特征提取，需要预先将原始的SAR图像转换为向量，这样会破坏SAR图像的二维结构。因此本发明实施例采用2DPCA算法获得SAR图像目标数据的投影特征，相比PCA算法更适用于SAR图像特征提取，既保留了二维图像矩阵结构，同时也能够有效地提取出目标的散射信息。设SAR图像目标数据为{Ii∈Rk×n,i＝1,2,...,N}，i是SAR图像目标数据中的序列号，N为SAR图像目标数据总数，按如下公式获得SAR图像目标数据的投影特征：
其中，为全部训练样本的均值，i是SAR图像目标数据中的序列号，N为SAR图像目标数据总数，Ii为SAR图像目标数据。
实施例中，提取所述SAR图像目标数据的投影特征之后，确定满足如下条件的投影特征对应的特征向量：
s.t.ΦTΦ＝Er×r (3)
其中Er×r为r阶单位矩阵，G为投影特征，Φ为满足条件的投影特征对应的特征向量；
利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果包括：利用训练好的随机配置网络模型获得特征向量的识别结果。
具体实施时，随机配置网络模型的训练过程包括：
重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：
根据随机配置网络模型的输出权重确定随机配置网络模型的残差；
所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。
发明人发现，在随机配置网络SCN的训练过程中容易出现过拟合现象，因此，通常在训练中采用早停法来防止过拟合现象的发生，但是这种方法仅适用于样本量非常大的情况，在SAR图像目标识别中，经常面临SAR数据较少的情况，利用早停法来防止过拟合现象存在网络的性能未达到最优就停止训练的问题，网络性能不可靠，利用该网络获得的识别结果不准确。因此，本发明实施例通过获取SAR图像目标数据，利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，在随机配置网络模型的训练过程中，第一步先根据随机配置网络模型的输出权重确定随机配置网络模型的残差，第二步若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重，从而对随机配置网络模型中输出权重较大的权值进行衰减，有效避免网络训练过程中出现过拟合现象，然后重复执行第一步和第二步，直至随机配置网络模型的残差满足约束条件，在避免网络训练过程中出现过拟合现象的同时，使网络性能达到最优，保证了SAR图像目标识别结果的准确性。
实施例中，按如下公式确定随机配置网络模型的残差：
e＝Hβ-F (4)
其中，e∈Rm为随机配置网络模型的残差，H为隐含层节点的输出，β为输出权重，F为样本标签。
实施例中，在确定随机配置网络模型的残差之后，判断随机配置网络模型的残差是否满足约束条件，随机配置网络模型的训练过程中的约束条件为：
其中，L是网络隐含层节点数量，eL-1是随机配置网络模型具有L-1个隐含层节点时的残差，hL是隐含层第L个节点的输出，r为大于0小于1的序列，μL为非负实数序列，μL≤1-r且X为输入层数据，q为网络输出数量。
实施例中，若残差不满足约束条件，则根据正则化项参数调整输出权重，包括：根据正则化项参数，隐含层节点的输出和样本标签调整输出权重。按如下公式调整输出权重：
β＝(HTH+λ·I)-1HTF (6)
其中，β为输出权重，H为隐含层节点的输出，λ为正则化项参数，I为单位矩阵，F为样本标签。
实施例中，重复执行上述步骤，即：根据随机配置网络模型的输出权重确定随机配置网络模型的残差；若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重，直至随机配置网络模型的残差满足约束条件。
基于同一发明构思，本发明实施例还提供了一种SAR图像目标识别装置，如下面的实施例所述。由于这些解决问题的原理与SAR图像目标识别方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
图2为本发明实施例中SAR图像目标识别装置的结构图，如图2所示，该装置包括：
数据获取模块201，用于获取SAR图像目标数据；
目标识别模块202，用于利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：
重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：
根据随机配置网络模型的输出权重确定随机配置网络模型的残差；
若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。
一个实施例中，目标识别模块202进一步用于：根据正则化项参数，隐含层节点的输出和样本标签调整输出权重。
综上所述，本发明实施例通过获取SAR图像目标数据，利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，在随机配置网络模型的训练过程中，第一步先根据随机配置网络模型的输出权重确定随机配置网络模型的残差，第二步为若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重，从而对随机配置网络模型中输出权重较大的权值进行衰减，有效避免网络训练过程中出现过拟合现象，然后重复执行第一步和第二步，直至随机配置网络模型的残差满足约束条件，在避免网络训练过程中出现过拟合现象的同时，使网络性能达到最优，保证了SAR图像目标识别结果的准确性。实施例中，随机配置网络SCN可以有效解决参数的设置问题，其通过不等式约束来随机配置输入权重和偏置，且逐渐增加隐藏层节点数逐渐增加，有效降低网络的复杂度且减少了参数的设置；在获取SAR图像目标数据之后，提取SAR图像目标数据的投影特征，然后利用训练好的随机配置网络模型获得所述投影特征的识别结果，从而获得更加准确的识别结果；采用2DPCA算法获得SAR图像目标数据的投影特征，相比PCA算法更适用于SAR图像特征提取，既保留了二维图像矩阵结构，同时也能够有效地提取出目标的散射信息。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种SAR图像目标识别方法，其特征在于，包括：
获取SAR图像目标数据；
利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：
重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：
根据随机配置网络模型的输出权重确定随机配置网络模型的残差；
若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。
2.如权利要求1所述的方法，其特征在于，在获取SAR图像目标数据之后，提取所述SAR图像目标数据的投影特征；
利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果包括：利用训练好的随机配置网络模型获得所述投影特征的识别结果。
3.如权利要求2所述的方法，其特征在于，提取所述SAR图像目标数据的投影特征之后，确定满足如下条件的投影特征对应的特征向量：
s.t.ΦTΦ＝Er×r
其中Er×r为r阶单位矩阵，G为投影特征，Φ为满足条件的投影特征对应的特征向量；
利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果包括：利用训练好的随机配置网络模型获得特征向量的识别结果。
4.如权利要求1所述的方法，其特征在于，所述约束条件为：
其中，L是网络隐含层节点数量，eL-1是随机配置网络模型具有L-1个隐含层节点时的残差，hL是隐含层第L个节点的输出，r为大于0小于1的序列，μL为非负实数序列，μL≤1-r且X为输入层数据，q为网络输出数量。
5.如权利要求1所述的方法，其特征在于，根据正则化项参数调整输出权重包括：根据正则化项参数，隐含层节点的输出和样本标签调整输出权重。
6.如权利要求5所述的方法，其特征在于，按如下公式调整输出权重：
β＝(HTH+λ·I)-1HTF
其中，β为输出权重，H为隐含层节点的输出，λ为正则化项参数，I为单位矩阵，F为样本标签。
7.一种SAR图像目标识别装置，其特征在于，包括：
数据获取模块，用于获取SAR图像目标数据；
目标识别模块，用于利用训练好的随机配置网络模型获得SAR图像目标数据的识别结果，其中，所述随机配置网络模型的训练过程包括：
重复执行如下步骤，直至随机配置网络模型的残差满足约束条件：
根据随机配置网络模型的输出权重确定随机配置网络模型的残差；
若所述残差不满足约束条件，根据正则化项参数调整随机配置网络模型的输出权重。
8.如权利要求7所述的装置，其特征在于，所述目标识别模块进一步用于：根据正则化项参数，隐含层节点的输出和样本标签调整输出权重。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至6任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910332677.8A CN110110625A (zh) | 2019-04-24 | 2019-04-24 | Sar图像目标识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910332677.8A CN110110625A (zh) | 2019-04-24 | 2019-04-24 | Sar图像目标识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110110625A true CN110110625A (zh) | 2019-08-09 |
Family
ID=67486469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910332677.8A Pending CN110110625A (zh) | 2019-04-24 | 2019-04-24 | Sar图像目标识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110110625A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132096A (zh) * | 2020-09-30 | 2020-12-25 | 中国矿业大学 | 动态更新输出权值的随机配置网络的行为模态识别方法 |
| CN113269301A (zh) * | 2021-04-27 | 2021-08-17 | 北方工业大学 | 基于神经网络估计多目标跟踪系统参数的方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930848A (zh) * | 2016-04-08 | 2016-09-07 | 西安电子科技大学 | 基于sar-sift特征的sar图像目标识别方法 |
| CN108182475A (zh) * | 2017-12-29 | 2018-06-19 | 中南大学 | 一种基于自动编码机-超限学习机的多维度数据特征识别方法 |
| CN108680096A (zh) * | 2018-07-06 | 2018-10-19 | 北方工业大学 | 一种方位扫描定位机构和雷达系统 |
| CN109009143A (zh) * | 2018-07-12 | 2018-12-18 | 杭州电子科技大学 | 一种通过人体步态预测心电信息的方法 |
| CN109145815A (zh) * | 2018-08-21 | 2019-01-04 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
| CN109242028A (zh) * | 2018-09-19 | 2019-01-18 | 西安电子科技大学 | 基于2d-pca和卷积神经网络的sar图像分类方法 |
-
2019
- 2019-04-24 CN CN201910332677.8A patent/CN110110625A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930848A (zh) * | 2016-04-08 | 2016-09-07 | 西安电子科技大学 | 基于sar-sift特征的sar图像目标识别方法 |
| CN108182475A (zh) * | 2017-12-29 | 2018-06-19 | 中南大学 | 一种基于自动编码机-超限学习机的多维度数据特征识别方法 |
| CN108680096A (zh) * | 2018-07-06 | 2018-10-19 | 北方工业大学 | 一种方位扫描定位机构和雷达系统 |
| CN109009143A (zh) * | 2018-07-12 | 2018-12-18 | 杭州电子科技大学 | 一种通过人体步态预测心电信息的方法 |
| CN109145815A (zh) * | 2018-08-21 | 2019-01-04 | 深圳大学 | 一种sar目标识别方法、装置、计算机设备及存储介质 |
| CN109242028A (zh) * | 2018-09-19 | 2019-01-18 | 西安电子科技大学 | 基于2d-pca和卷积神经网络的sar图像分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| JIFANG PEI: "《SAR Imagery Feature Extraction Using 2DPCA-Based Two-Dimensional Neighborhood Virtual Points Discriminant Embedding》", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
| MING LI ET AL.: "《Two Dimensional Stochastic Configuration Networks for Image Data Analytics》", 《MACHINE LEARNING》 * |
| 徐丰 等: "《深度学习在SAR目标识别与地物分类中的应用》", 《雷达学报》 * |
| 李文辉: "基于深度学习的SAR图像目标识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132096A (zh) * | 2020-09-30 | 2020-12-25 | 中国矿业大学 | 动态更新输出权值的随机配置网络的行为模态识别方法 |
| CN112132096B (zh) * | 2020-09-30 | 2021-05-14 | 中国矿业大学 | 动态更新输出权值的随机配置网络的行为模态识别方法 |
| CN113269301A (zh) * | 2021-04-27 | 2021-08-17 | 北方工业大学 | 基于神经网络估计多目标跟踪系统参数的方法及系统 |
| CN113269301B (zh) * | 2021-04-27 | 2023-08-08 | 北方工业大学 | 基于神经网络估计多目标跟踪系统参数的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414377B (zh) | 一种基于尺度注意力网络的遥感图像场景分类方法 | |
| CN110176027A (zh) | 视频目标跟踪方法、装置、设备及存储介质 | |
| CN107730515B (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
| CN111754396B (zh) | 脸部图像处理方法、装置、计算机设备和存储介质 | |
| CN103177265B (zh) | 基于核函数与稀疏编码的高清图像分类方法 | |
| CN112560967B (zh) | 一种多源遥感图像分类方法、存储介质及计算设备 | |
| CN112529146B (zh) | 神经网络模型训练的方法和装置 | |
| CN110532959B (zh) | 基于双通道三维卷积神经网络的实时暴力行为检测系统 | |
| CN114332545A (zh) | 一种基于低比特脉冲神经网络的图像数据分类方法和装置 | |
| CN108399430A (zh) | 一种基于超像素和随机森林的sar图像舰船目标检测方法 | |
| CN110110625A (zh) | Sar图像目标识别方法及装置 | |
| CN106778714A (zh) | 基于非线性特征和模型合并的lda人脸识别方法 | |
| CN109345604A (zh) | 图片处理方法、计算机设备和存储介质 | |
| CN114462486A (zh) | 图像处理模型的训练方法、图像处理方法及相关装置 | |
| CN107729885B (zh) | 一种基于多重残差学习的人脸增强方法 | |
| Hepburn et al. | Enforcing perceptual consistency on generative adversarial networks by using the normalised laplacian pyramid distance | |
| CN113344110B (zh) | 一种基于超分辨率重建的模糊图像分类方法 | |
| CN110489584B (zh) | 基于密集连接的MobileNets模型的图像分类方法及系统 | |
| CN108985311A (zh) | 一种高光谱遥感数据的降维方法及系统 | |
| Schreiber et al. | Monocular depth estimation using synthetic data for an augmented reality training system in laparoscopic surgery | |
| Zhuge et al. | An improved deep multiscale crowd counting network with perspective awareness | |
| CN110287991A (zh) | 植物类生药真伪验证方法、装置、计算机设备及存储介质 | |
| CN116206196B (zh) | 一种海洋低光环境多目标检测方法及其检测系统 | |
| Krishnendu et al. | Deep Learning-Based Open Set Domain Hyperspectral Image Classification Using Dimension-Reduced Spectral Features | |
| Wang et al. | Multi-scale Convolution and Feature-weighting Network for Radar Target Recognition |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |
|
| RJ01 | Rejection of invention patent application after publication |