CN110969121A - 一种基于深度学习的高分辨率雷达目标识别算法 - Google Patents

一种基于深度学习的高分辨率雷达目标识别算法 Download PDF

Info

Publication number
CN110969121A
CN110969121A CN201911203317.4A CN201911203317A CN110969121A CN 110969121 A CN110969121 A CN 110969121A CN 201911203317 A CN201911203317 A CN 201911203317A CN 110969121 A CN110969121 A CN 110969121A
Authority
CN
China
Prior art keywords
module
network
vgg
inclusion
radar
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
Application number
CN201911203317.4A
Other languages
English (en)
Inventor
王威
张成文
胡双红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN201911203317.4A priority Critical patent/CN110969121A/zh
Publication of CN110969121A publication Critical patent/CN110969121A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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

本发明公开一种基于深度学习的高分辨率雷达目标识别算法，包括有雷达数据预处理模块、雷达目标识别模块和系统输出模块，其特征在于雷达数据预处理模块对输入的目标雷达回波数据进行预处理；雷达目标识别模块，包括VGG‑Inception网络特征提取模块及分类器模块，其中VGG‑Inception网络是对VGG网络的改进，使用一定数量的Inception模块与1×1卷积模块的线性连接替换原VGG网络卷积层中的Conv3模块，分类器模块可选择单层或三层的神经网络全连接层或全局平均值池化等方法；系统输出模块对分类器的输出进行处理后输出判定结果。所述雷达识别系统通过在传统VGG网络中引入Inception结构和改进分类器结构，减少了网络参数，更加能够满足雷达自动目标识别技术对实时性运算的要求，同时还能保持与传统VGG网络接近的高识别准确率。

Description

一种基于深度学习的高分辨率雷达目标识别算法
技术领域
本发明属于雷达目标识别领域，尤其涉及一种基于深度学习的高分辨率雷达目标识别系统。
背景技术
在军事及日常生活的各个领域，雷达发挥着日益重要的作用，雷达自动目标识别(Radar Automatic Target Recognition,RATR)技术应运而生。为进一步实现目标的型号识别，为相关决策提供更丰富的信息支援，能够对目标散射结构进行精细分割的高分辨率雷达目标识别成为研究重点。传统的雷达目标识别算法如K邻算法(KNN)、支持向量机(SVM)、多任务关系学习(MTRL)等，往往设计难度较高，特征提取及分类器算法的组合繁琐，难以实现很高的识别准确率。
近年来深度学习不断被应用于雷达目标识别系统中。卷积神经网络是深度学习算法的一种，深度卷积神经网络模型相比较于传统的雷达目标识别算法,不需要人工进行复杂而耗时的特征提取算法设计,只需要设计有效的神经网络模型，而且识别准确度高。但是深度神经网络具有参数量巨大，实时性差，同时鲁棒性不高，仅在某些数据集上能取得较高的识别准确度。因此在高分辨率雷达目标识别中，迫切需要一种实时性和鲁棒性更高的算法。
发明内容
本发明的目的是提供一种高分辨率雷达目标识别系统，相比传统方法，能够对高分辨率雷达信号实现极高的识别准确度，同时省去人工提取特征和人为选择分类器的步骤，克服了传统方法中特征提取和分类困难的问题，参数量更低，实时性更好。
本发明提出的解决方法是采用一种新的卷积神经网络结构VGG-Inception实现高分辨雷达目标识别，包括：雷达数据预处理模块；雷达目标识别模块和系统输出模块。
雷达数据的预处理模块的工作模式有训练模式和测试模式两种。雷达数据预处理模块的功能包括：预处理雷达信号，使其转换为雷达目标识别模块能接受的输入形式，在训练模式下需要标记雷达目标数据类别，构建机器学习方法所需的数据集。其中标记雷达目标数据类别的具体步骤包括：对雷达信号进行分类标记，每种类别的多个样本标记为一类；对于高分辨率距离像，标记每个目标对应的列向量；对于合成孔径雷达图像、逆合成孔径雷达图像等，将同一类型的不同样本标记为一类；根据标记后的雷达数据，构建机器学习方法所需的数据集。
训练模式下雷达目标数据预处理的工作方法为：对一维高分辨率距离像，将每个数据点的实部和虚部分别提取出来，上下排列，每个列向量仍对应一个目标；对合成孔径雷达图像、逆合成孔径雷达图像，做统一下采样、中心裁切、旋转等预处理，扩充数据量。训练模式结束后，可以更新卷积神经网络的参数，得到能对指定目标进行准确识别的VGG-Inception网络。
测试模式下雷达目标数据预处理的工作方法为：对于一维高分辨率距离像，其预处理方式与训练模式相同；对合成孔径雷达图像、逆合成孔径雷达图像，统一下采样到某一固定分辨率，以下种实施例中下采样后得到图像分辨率为128*128。
雷达目标识别模块包括VGG-Inception网络特征提取模块及分类器模块，训练网络时使用监督学习算法。VGG-Inception网络特征提取模块及分类器模块，VGG-Inception网络是对VGG网络的改进，使用一定数量的Inception模块与1×1卷积模块的线性连接替换原VGG网络卷积层中的Conv3模块，所述分类器模块可以采用多种算法，如神经网络全连接层或全局平均值池化(GAP)等方法。训练过程中引入学习率衰减的方法：当训练后期识别准确率不再提高时，学习率减小一倍，重复数次，以保证模型在训练后期不出现大的波动，从而更加接近最优解；引入激活函数，包括但不限于线性修正函数(Rectified Linear Unit，ReLU)和双曲正切函数(hyperbolic tangent function,Tanh)。在本发明的几种实施例对一维距离像和SAR图像进行识别时发现，双曲正切函数具有更好的性能。；使用随机梯度下降法更新参数，最小化损失函数。
系统输出模块对分类器的输出进行处理后输出判定结果。
本发明公开的VGG-Inception网络，相较传统识别方法，能够实现更高的识别准确度，同时降低了人工计算的复杂度。在不降低识别准确率的情况下，本发明比VGG网络减少了86-92％的参数量，准确率高于单纯使用Inception模块的GoogLeNet。相比其他卷积神经网络模型，VGG-Inception具有更好的鲁棒性，在更难训练的SAR-EOC数据集上具有更高的性能。本发明为适应卷积神经网络的输入，针对一维距离像(HRRP)提供了一种新的预处理方法，可以保留数据间的差分相位信息。
附图说明
图1为系统进行雷达自动目标识别的流程图；
图2为VGG-Inception网络结构示意图；
图3为VGG-Inception网络中“Conv”模块的示意图；
图4为VGG-Inception网络中Inception模块的结构示意图；
图5为VGG11-Inception网络的构建规则示意图；
图6为采用单层和三层全连接神经网络作为分类器时，16种网络的参数数量对比图。
具体实施方式
下面参照附图对本发明作进一步详细描述。
附图1中展示了一种基于深度学习的雷达目标识别算法，包括有雷达数据预处理模块、雷达目标识别模块和系统输出模块，雷达数据预处理模块对输入的目标雷达回波数据进行预处理；雷达目标识别模块，包括VGG-Inception网络特征提取模块及分类器模块，系统输出模块对分类器的输出进行处理后输出判定结果。当被测目标的雷达回波数据输入系统时，在“雷达数据输入模块”进行数据预处理，其方法在下段详述。预处理后的数据输入到目标识别模块中，此模块包括一个本发明中提出的卷积神经网络结构：VGG-Inception网络。最终经过输出模块，判定目标类别并输出目标类别名称，实施例中使用了Soft-max函数对分类器的输出进行计算。
本发明针对HRRP数据提出了一种新的预处理方式。在训练模式下，本发明的雷达数据输入模块包含标记数据集及数据预处理两步。传统的雷达自动目标识别技术使用了HRRP的幅度像，由于复数HRRP具有初相敏感性，从而丢失了目标的相位信息。事实上，复HRRP拥有对目标识别十分有用的相位信息，同时由于卷积神经网络的特性，大部分卷积网络模型不能处理复数数据类型。因此对HRRP的数据预处理，本发明使用了一种新的方式：分别提取每个数据点的实部和虚部，可固定地设置为实部在上，虚部在下，由此可以保留每个HRRP样本中距离单元间的差分相位信息，同时扩充了每个样本的数据量。在本实施例中，对MSTAR公共数据集的SAR图像，预处理时统一下采样到128×128的固定分辨率，然后分别对图像中心大小为64×64及32×32的区域做中心裁切，最后做一步随机水平旋转。通过上述方法，一定程度上可以弥补数据量不足和网络过拟合的问题。
在测试模式下，新的被测物体的雷达回波数据输入到系统时，HRRP的预处理方式与训练过程相同；对目标的SAR图像、ISAR图像预做处理时，仅仅将输入图像下采样到与训练模式下输入的图像相同的分辨率。
本发明中的“雷达目标识别模块”使用VGG-Inception网络结构，由附图2可见，所述VGG-Inception网络是对VGG网络的改进，使用一定数量的Inception模块与1×1卷积模块的线性连接替换原VGG网络卷积层中的Conv3模块，所述分类器模块可以采用多种方案，例如神经网络全连接层或全局平均值池化(GAP)等方法。实施例中采用了神经网络全连接层；本发明中卷积操作使用“Conv”模块来表示。图3展示了一个“Conv”模块，是一个包含了卷积、批标准化和激活函数的复合函数。图4展示了Inception模块的结构，其中“Base”表示Inception模块的输入，“Depth Concat”表示深度拼接操作。Inception模块同时存在几条并行的卷积线路，并且在并行线路中存在大尺寸卷积核，这拓宽了网络结构，进一步增加了网络模型的深度和宽度，同时提高了网络对稀疏数据的特征提取能力。网络采用了神经网络全连接层作为分类器。
数据经过全连接层后通过Soft-max函数输出目标各类别的预测概率，将最大概率值所在的类别判定为目标的类别。
本发明的另一实施例中，所述的VGG-Inception网络为VGG11-Inception网络，图5展示了搭建VGG11-Inception网络的具体规则，具体每级conv结构和Inception结构的构建细节见表1的A。其中“Fully Connected layers”表示执行系统分类器功能的全连接层。
本发明的另一实施例中，所述的VGG-Inception网络为VGG13-Inception网络，其搭建规则遵循图5所示规则，具体每级conv结构和Inception结构的构建细节见表1的B。
本发明的另一实施例中，所述的VGG-Inception网络为VGG16-Inception网络，其搭建规则遵循图5所示规则，具体每级conv结构和Inception结构的构建细节见表1的C。
本发明的另一实施例中，所述的VGG-Inception网络为VGG19-Inception网络，其搭建规则遵循图5所示规则，具体每级conv结构和Inception结构的构建细节见表1的D。
在VGG-Inception网络特征提取、学习模块中，使用监督学习的方法训练网络，更新参数。训练过程引入了学习率衰减的方法，随着迭代次数的增加，学习率逐渐减小，保证模型在训练后期不出现大的波动，从而更加接近最优解。应用于HRRP数据集的网络初始学习率设为0.1，迭代100次，从第50次开始学习率衰减一倍，往后每迭代10次衰减一倍。SAR图像的初始学习率设为0.01，迭代200次，从第50次开始学习率衰减一倍，往后每迭代20次衰减一倍。
以下实施例中，分别采用了神经网络单层或三层全连接层作为分类器进行仿真。分别采用两种分类器时，网络的参数数量对比如附图5所示。其中虚线表示分类器采用3层全连接层，用“3-FC”表示；实线表示分类器采用单层全连接层，用“1-FC”表示。在相同深度下，单层1-FC比3-FC减少了86％-92％的参数量。同时由附图5可以看出，引入了Inception模块与Conv1模块后的VGG-Inception网络较原VGG网络的参数进一步减少了3百万个左右。单层全连接层大幅减少了参数数量，更好的满足RATR技术对实时性运算的要求。采用全局平均值池化(GAP)作为分类器时，网络的参数量还可进一步减少。
数据经过分类器后通过Soft-max函数输出目标各类别的预测概率，将最大概率值所在的类别判定为目标的类别。实际应用中，将高分辨率雷达探测到的目标雷达回波数据输入训练好的系统中，系统即可判定并输出目标所属的类别。
表1 VGG-Inception网络结构
Figure BDA0002296407140000071
本发明的方法还在MSTAR公共数据集上与传统方法及其他卷积神经网络方法分别进行了对比。表2、表3分别展示了在标准工作条件下的SAR图像数据集：SAR-SOC和第一类扩展工作条件下的SAR图像数据集：SAR-EOC-1上，不同方法与本发明的雷达目标识别系统所取得的识别准确率对比。其中KNN为K邻算法，SVM为支持向量机方法，Trace为一种跟踪正则化多任务学习方法，CMTL为聚类多任务学习方法，MTRL是一种多任务关系学习方法。DenseNet、GoogLeNet、ResNet18、VGG分别为另外三种不同的卷积神经网络架构。
表2 SAR-SOC数据集上不同方法的性能对比
Figure BDA0002296407140000081
表3 SAR-EOC-1数据集上不同方法的性能对比
Figure BDA0002296407140000082
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于深度学习的高分辨率雷达目标识别算法，包括有雷达数据预处理模块、雷达目标识别模块和系统输出模块，其特征在于所述雷达数据预处理模块对输入的目标雷达回波数据进行预处理；所述雷达目标识别模块，包括VGG-Inception网络特征提取模块及分类器模块，所述VGG-Inception网络是对VGG网络的改进，使用一定数量的Inception模块与1×1卷积模块的线性连接替换原VGG网络卷积层中的Conv3模块，所述分类器模块是神经网络全连接层；所述系统输出模块对分类器的输出进行处理后输出判定结果。
2.如权利要求1所述的高分辨率雷达目标识别算法，其特征在于，所述VGG-Inception网络特征提取模块可以是VGG11-Inception，即用Inception模块与1×1卷积模块的线性连接构成一个复合函数，替代原VGG11网络中第3、5、6层卷积层，构建出VGG11-Inception网络的特征提取模块。
3.如权利要求1所述的高分辨率雷达目标识别算法，其特征在于，所述VGG-Inception网络特征提取模块可以是VGG13-Inception，即用Inception模块与1×1卷积模块的线性连接构成一个复合函数，替代原VGG13网络中第6、9、10层卷积层，构建出VGG13-Inception网络的特征提取模块。
4.如权利要求1所述的高分辨率雷达目标识别算法，其特征在于，所述VGG-Inception网络特征提取模块可以是VGG16-Inception，即用Inception模块与1×1卷积的模块线性连接构成一个复合函数，替代原VGG16网络中第6、9、10层卷积层，构建出VGG16-Inception网络的特征提取模块。
5.如权利要求1所述的高分辨率雷达目标识别算法，其特征在于，所述VGG-Inception网络特征提取模块可以是VGG19-Inception：Inception模块与1×1卷积模块线性连接构成一个复合函数，替代原VGG19网络中第6、9、12层卷积层，构建出VGG19-Inception网络的特征提取模块。
6.如权利要求1所述的高分辨率雷达目标识别算法，其特征在于，所述分类器模块可选择单层或三层的神经网络全连接层或者全局平均值池化等方法替代原VGG网络中固定的三层全连接层作为雷达目标识别模块的分类器。
7.如权利要求1所述的高分辨率雷达目标识别算法，其特征在于，所述雷达数据预处理模块对HRRP做数据预处理时采用的方法是分别提取每个数据点的实部与虚部，在原目标所在列向量中将其上下排列，保留目标HRRP数据差分相位信息并扩充数据量。
CN201911203317.4A 2019-11-29 2019-11-29 一种基于深度学习的高分辨率雷达目标识别算法 Pending CN110969121A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911203317.4A CN110969121A (zh) 2019-11-29 2019-11-29 一种基于深度学习的高分辨率雷达目标识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911203317.4A CN110969121A (zh) 2019-11-29 2019-11-29 一种基于深度学习的高分辨率雷达目标识别算法

Publications (1)

Publication Number Publication Date
CN110969121A true CN110969121A (zh) 2020-04-07

Family

ID=70032300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911203317.4A Pending CN110969121A (zh) 2019-11-29 2019-11-29 一种基于深度学习的高分辨率雷达目标识别算法

Country Status (1)

Country Link
CN (1) CN110969121A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860144A (zh) * 2020-06-10 2020-10-30 长沙理工大学 一种基于新型MDR-Net的雷达目标识别算法
CN112861813A (zh) * 2021-03-29 2021-05-28 电子科技大学 基于复值卷积神经网络的墙后人体行为识别方法
CN113109780A (zh) * 2021-03-02 2021-07-13 西安电子科技大学 基于复数密集连接神经网络的高分辨距离像目标识别方法
CN113253269A (zh) * 2021-06-03 2021-08-13 中南大学 一种基于图像分类的sar自聚焦方法
CN113537020A (zh) * 2021-07-07 2021-10-22 中国人民解放军国防科技大学 基于改进神经网络的复数sar图像目标识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108521387A (zh) * 2018-03-30 2018-09-11 中国电子科技集团公司第三十六研究所 一种信号调制样式识别方法和装置
CN109031299A (zh) * 2018-08-30 2018-12-18 西安电子科技大学 低信噪比条件下基于相位差分的isar平动补偿方法
CN109214405A (zh) * 2017-11-23 2019-01-15 长沙理工大学 一种自适应联合特征字典进行遥感图像稀疏识别的方法
CN109376574A (zh) * 2018-08-14 2019-02-22 西安电子科技大学 基于cnn的可拒判雷达hrrp目标识别方法
CN109919242A (zh) * 2019-03-18 2019-06-21 长沙理工大学 一种基于深度特征和联合稀疏的图像目标识别方法
WO2019205391A1 (zh) * 2018-04-26 2019-10-31 平安科技（深圳）有限公司 车辆损伤分类模型的生成装置、方法及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214405A (zh) * 2017-11-23 2019-01-15 长沙理工大学 一种自适应联合特征字典进行遥感图像稀疏识别的方法
CN108521387A (zh) * 2018-03-30 2018-09-11 中国电子科技集团公司第三十六研究所 一种信号调制样式识别方法和装置
WO2019205391A1 (zh) * 2018-04-26 2019-10-31 平安科技（深圳）有限公司 车辆损伤分类模型的生成装置、方法及计算机可读存储介质
CN109376574A (zh) * 2018-08-14 2019-02-22 西安电子科技大学 基于cnn的可拒判雷达hrrp目标识别方法
CN109031299A (zh) * 2018-08-30 2018-12-18 西安电子科技大学 低信噪比条件下基于相位差分的isar平动补偿方法
CN109919242A (zh) * 2019-03-18 2019-06-21 长沙理工大学 一种基于深度特征和联合稀疏的图像目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张浩: ""基于深度学习的皮肤疾病识别方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860144A (zh) * 2020-06-10 2020-10-30 长沙理工大学 一种基于新型MDR-Net的雷达目标识别算法
CN111860144B (zh) * 2020-06-10 2023-10-17 长沙理工大学 一种基于MDR-Net的雷达目标识别系统及方法
CN113109780A (zh) * 2021-03-02 2021-07-13 西安电子科技大学 基于复数密集连接神经网络的高分辨距离像目标识别方法
CN112861813A (zh) * 2021-03-29 2021-05-28 电子科技大学 基于复值卷积神经网络的墙后人体行为识别方法
CN112861813B (zh) * 2021-03-29 2022-07-22 电子科技大学 基于复值卷积神经网络的墙后人体行为识别方法
CN113253269A (zh) * 2021-06-03 2021-08-13 中南大学 一种基于图像分类的sar自聚焦方法
CN113253269B (zh) * 2021-06-03 2021-10-15 中南大学 一种基于图像分类的sar自聚焦方法
CN113537020A (zh) * 2021-07-07 2021-10-22 中国人民解放军国防科技大学 基于改进神经网络的复数sar图像目标识别方法

Similar Documents

Publication Publication Date Title
CN112418117B (zh) 一种基于无人机图像的小目标检测方法
WO2021139069A1 (zh) 自适应注意力指导机制的一般性目标检测方法
CN110263705B (zh) 面向遥感技术领域两期高分辨率遥感影像变化检测系统
CN107609601B (zh) 一种基于多层卷积神经网络的舰船目标识别方法
CN110969121A (zh) 一种基于深度学习的高分辨率雷达目标识别算法
CN109325960B (zh) 一种红外云图气旋分析方法及分析系统
CN112446388A (zh) 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统
CN103295242B (zh) 一种多特征联合稀疏表示的目标跟踪方法
CN111310861A (zh) 一种基于深度神经网络的车牌识别和定位方法
CN112733749A (zh) 融合注意力机制的实时行人检测方法
CN112633382B (zh) 一种基于互近邻的少样本图像分类方法及系统
CN110222767B (zh) 基于嵌套神经网络和栅格地图的三维点云分类方法
CN112836713A (zh) 基于图像无锚框检测的中尺度对流系统识别与追踪方法
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
CN113486764B (zh) 一种基于改进的YOLOv3的坑洼检测方法
CN107767416B (zh) 一种低分辨率图像中行人朝向的识别方法
CN103699874B (zh) 基于surf流和lle稀疏表示的人群异常行为识别方法
CN111368690A (zh) 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN106096506A (zh) 基于子类类间判别双字典的sar目标识别方法
CN110348357A (zh) 一种基于深度卷积神经网络的快速目标检测方法
CN112232371A (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
CN110533100A (zh) 一种基于机器学习进行cme检测和跟踪的方法
CN109472733A (zh) 基于卷积神经网络的图像隐写分析方法
CN113239753A (zh) 基于YOLOv4改进的交通标志检测与识别方法
CN114255403A (zh) 基于深度学习的光学遥感图像数据处理方法及系统

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