CN111062321A - 一种基于深度卷积网络的sar检测方法及系统 - Google Patents
一种基于深度卷积网络的sar检测方法及系统 Download PDFInfo
- Publication number
- CN111062321A CN111062321A CN201911298117.1A CN201911298117A CN111062321A CN 111062321 A CN111062321 A CN 111062321A CN 201911298117 A CN201911298117 A CN 201911298117A CN 111062321 A CN111062321 A CN 111062321A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- sar
- dimension
- target detection
- 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
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
- G06F18/21—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
- G06F18/24—Classification techniques
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度卷积网络的SAR检测方法及系统,借助计算机视觉与RetinaNet网络技术,将雷达拍摄到的SAR图像传入训练好的目标监测模型中,通过对SAR图像的归一化、降维、图像集划分,通过训练集训练RetinaNet目标检测网络并根据准确率调整网络参数得到目标检测模型,通过目标检测模型通过识别图片中的目标,达到雷达监测的作用,基于RetinaNet网络的SAR检测方法,借助深度卷积网络的优势,更好的提取图像中的特征,经过大数据集的预训练后,可以达到较高的识别度。
Description
技术领域
本公开涉及雷达遥感图像应用技术、计算机视觉技术领域,具体涉及一种基于深度卷积网络的SAR检测方法及系统。
背景技术
遥感图像按照成像原理的不同可以分为光学遥感图像和微波遥感图像,光学成像是一种被动成像,主要通过接受自然辐射源的自身发射能量或目标物体对太阳辐射的反射情况来进行成像,合成孔径雷达(Synthetic Aperture Radar,SAR)是一种通过脉冲压缩和虚拟孔径技术获取二维高分辨图像的微波成像雷达。通过主动发射电磁波并接收反射回来的信号来进行成像,它是一种主动成像方式,与光学成像相比,SAR具有全天时、全天候、不易受天气环境影响的工作特点,正因于此,各国对其在军民领域的作用日益关注,多国已拥有获取SAR高分辨率图片的能力。由于其成像特点,SAR图像的解译识别一直是各国关注的问题,本专利主要采用RetinaNet网络来实现对SAR目标的检测识别,主要用途为雷达遥感图像应用技术,在海洋监测,军事目标检测,海上救援等领域发挥作用。
现阶段传统SAR目标检测算法在速度与效率方面均有欠缺,在针对大型数据集与复杂干扰环境时,无法及时准确的识别出目标。
发明内容
为解决上述问题,本公开提供一种基于深度卷积网络的SAR检测方法及系统的技术方案,借助计算机视觉与RetinaNet网络技术,将雷达拍摄到的SAR图像传入训练好的目标监测模型中,通过对SAR图像的归一化、降维、图像集划分,通过训练集训练RetinaNet目标检测网络并根据准确率调整网络参数得到目标检测模型,通过目标检测模型通过识别图片中的目标,达到雷达监测的作用。
为了实现上述目的,根据本公开的一方面,提供一种基于深度卷积网络的SAR检测方法,所述方法包括以下步骤:
S100:输入SAR图像作为图像数据集;
S200:构建RetinaNet目标检测网络;
S300:对图像数据集进行归一化得到归一化图像集;
S400:对归一化图像集进行降维得到降维图像集;
S500:将降维图像集划分为训练集和测试集;
S600:通过训练集训练RetinaNet目标检测网络并根据准确率调整网络参数得到目标检测模型;
S700:测试集通过目标检测模型进行目标检测。
进一步地,在S100中,所述SAR图像由SAR合成孔径雷达系统产生,这是一种主动式的对地观测系统;单一SAR影像的相位信息基本没有统计特征,只有振幅信息可用于目标识别和分类等应用,SAR图像只记录了一个波段的回波信息,以二进制复数形式记录下来;但基于每个像素的复数的数据可变换提取相应的振幅和相位信息。
进一步地,所述RetinaNet目标检测网络是由Resnet分类网络作为主干网络、FPN算法和两个FCN子网络组成的统一目标检测网络;Resnet分类网络的主要作用是通过一系列卷积操作得到整张输入图像的特征图像(feature map);分类子网和回归子网分别基于输出的特征图像进行目标分类和位置回归;Resnet分类网络的卷积过程用的是ResNet,上采样和侧边连接还是FPN结构;后面连接分类子网和回归子网,分别进行分类和回归;
分类子网为:分类子网对A个锚点,每个锚点中的K个类别,都预测一个存在概率;对于FPN的每一层输出,对分类子网来说,加上四层3x3x256卷积的FCN网络,最后一层的卷积稍有不同,用3x3xKA,最后一层维度变为KA表示,对于每个锚点,都是一个K维向量,表示每一类的概率,选取概率得分最高的设为1,其余k-1为归0;传统的RPN在分类子网用的是1x1x18,只有一层,而在RetinaNet中,用5层的卷积结构。
回归子网为:与分类子网并行,对每一层FPN输出接上一个位置回归子网,回归子网本质也是FCN网络,预测的是锚点和它对应的一个GT位置的偏移量;首先也是4层256维卷积,最后一层是4A维度,即对每一个锚点,回归一个(x,y,w,h)四维向量;注意,此时的位置回归是类别无关的。分类和回归子网虽然是相似的结构,但是参数是不共享的;
其中,锚点(anchor)是在原图中的,对于特征图像上的每一个点,利用滑窗,在原图上产生3种尺寸,每种尺寸3个长宽比的锚点,这样,一个点就会有9个锚点;对于每一个锚点,接入分类子网和回归子网,分别进行1x1x18维卷积和1x1x36维卷积,这样,在分类子网,输出的是每一个锚点的前背景得分,一个点9个锚点,那么一个点就有18维度输出;
其中,在FPN的P3-P7中分别设置32x32-512x512尺寸不等的锚点,比例设置为{1:2,1:1,2:1};每一层一共有9个锚点,不同层能覆盖的size范围为32-813。对每一个锚点,都对应一个K维的one-hot向量和4维的位置回归向量,K为类别数,one-hot向量这个向量的表示为一项属性的特征向量。
进一步地,在S300中,对图像数据集进行归一化得到归一化图像集的方法为:合成孔径雷达系统的数据值表示波段的回波幅值的数据值大小,在图像中的位置不会由于数据值大小的改变而发生位置改变的现象,根据这个特点,可以将图像RGB三个颜色通道的数据中每个通道振幅归一到[-1,1]的范围内,遍历各个通道数据,找出各通道数据中绝对值最大的数据Dimax,与其对应的通道数据都以这个最大值作为基准值进行相应的计算,即己知某采样点的值为Draw,那么归一化后的值为Dshow=Draw/Dimax,据此归一化图像数据集中所有通道数据从而得到归一化图像集。
进一步地,在S400中,对归一化图像集进行降维得到降维图像集的方法为:通过PCA主成分分析算法、SVD奇异值分解算法、FA因子分析算法、ICA独立成分分析算法、LLE局部线性嵌入算法中任意一种降维算法将归一化图像集进行降维得到降维图像集。
进一步地,在S500中,将降维图像集划分为训练集和测试集的方法包括:留出法、交叉验证法、自助法任意一种方法。
留出法为直接将降维图像集划分为两个互斥的集合,其中一个集合作为训练集,留下的集合作为测试集。
交叉验证法为将降维图像集划分为个大小相等的互斥子集,即每个子集都尽可能保持数据分布的一致性,即从中通过分层采样得到,然后,每次用个子集的并集作为训练集,剩下的那个子集作为测试集。
自助法为对进行降维图像集进行采样产生:每次随机从中降维图像集挑选一个样本,将其拷贝一份放入训练集中,保持不变的作为测试集,并重复执行直到样本划分完成。其中,有部分样本会多次出现在降维图像集中的数据集作为训练集,而另一部分不会出现在降维图像集的数据集作为测试集。
本发明还提供了一种基于深度卷积网络的SAR检测系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述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运行在以下系统的单元中:
图像数据采集单元,用于输入SAR图像作为图像数据集;
检测网络构建单元,用于构建RetinaNet目标检测网络;
图像归一化单元,用于对图像数据集进行归一化得到归一化图像集;
图像降维单元,用于对归一化图像集进行降维得到降维图像集;
图像划分单元,用于将降维图像集划分为训练集和测试集;
网络训练单元,用于通过训练集训练RetinaNet目标检测网络并根据准确率调整网络参数得到目标检测模型;
目标检测单元,用于测试集通过目标检测模型进行目标检测。
本公开的有益效果为:本发明提供一种基于深度卷积网络的SAR检测方法及系统,基于RetinaNet网络的SAR检测方法,借助深度卷积网络的优势,更好的提取图像中的特征,经过大数据集的预训练后,可以达到较高的识别度。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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所示为一种基于深度卷积网络的SAR检测方法的流程图;
图2所示为一种基于深度卷积网络的SAR检测系统结构图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种基于深度卷积网络的SAR检测方法的流程图,下面结合图1来阐述根据本公开的实施方式的一种基于深度卷积网络的SAR检测方法。
本公开提出一种基于深度卷积网络的SAR检测方法,具体包括以下步骤:
S100:输入SAR图像作为图像数据集;
S200:构建RetinaNet目标检测网络;
S300:对图像数据集进行归一化得到归一化图像集;
S400:对归一化图像集进行降维得到降维图像集;
S500:将降维图像集划分为训练集和测试集;
S600:通过训练集训练RetinaNet目标检测网络并根据准确率调整网络参数得到目标检测模型;
S700:测试集通过目标检测模型进行目标检测。
进一步地,在S100中,所述SAR图像由SAR合成孔径雷达系统产生,这是一种主动式的对地观测系统;单一SAR影像的相位信息基本没有统计特征,只有振幅信息可用于目标识别和分类等应用,SAR图像只记录了一个波段的回波信息,以二进制复数形式记录下来;但基于每个像素的复数的数据可变换提取相应的振幅和相位信息。
进一步地,所述RetinaNet目标检测网络是由Resnet分类网络作为主干网络、FPN算法和两个FCN子网络组成的统一目标检测网络;Resnet分类网络的主要作用是通过一系列卷积操作得到整张输入图像的特征图像(feature map);分类子网和回归子网分别基于输出的特征图像进行目标分类和位置回归;Resnet分类网络的卷积过程用的是ResNet,上采样和侧边连接还是FPN结构;后面连接分类子网和回归子网,分别进行分类和回归;
分类子网为:分类子网对A个锚点,每个锚点中的K个类别,都预测一个存在概率;对于FPN的每一层输出,对分类子网来说,加上四层3x3x256卷积的FCN网络,最后一层的卷积稍有不同,用3x3xKA,最后一层维度变为KA表示,对于每个锚点,都是一个K维向量,表示每一类的概率,选取概率得分最高的设为1,其余k-1为归0;传统的RPN在分类子网用的是1x1x18,只有一层,而在RetinaNet中,用5层的卷积结构。
回归子网为:与分类子网并行,对每一层FPN输出接上一个位置回归子网,回归子网本质也是FCN网络,预测的是锚点和它对应的一个GT位置的偏移量;首先也是4层256维卷积,最后一层是4A维度,即对每一个锚点,回归一个(x,y,w,h)四维向量;注意,此时的位置回归是类别无关的。分类和回归子网虽然是相似的结构,但是参数是不共享的;
其中,锚点(anchor)是在原图中的,对于特征图像上的每一个点,利用滑窗,在原图上产生3种尺寸,每种尺寸3个长宽比的锚点,这样,一个点就会有9个锚点;对于每一个锚点,接入分类子网和回归子网,分别进行1x1x18维卷积和1x1x36维卷积,这样,在分类子网,输出的是每一个锚点的前背景得分,一个点9个锚点,那么一个点就有18维度输出;
其中,在FPN的P3-P7中分别设置32x32-512x512尺寸不等的锚点,比例设置为{1:2,1:1,2:1};每一层一共有9个锚点,不同层能覆盖的size范围为32-813。对每一个锚点,都对应一个K维的one-hot向量和4维的位置回归向量,K为类别数,one-hot向量这个向量的表示为一项属性的特征向量。
进一步地,在S300中,对图像数据集进行归一化得到归一化图像集的方法为:合成孔径雷达系统的数据值表示波段的回波幅值的数据值大小,在图像中的位置不会由于数据值大小的改变而发生位置改变的现象,根据这个特点,可以将图像RGB三个颜色通道中每个通道振幅归一到[-1,1]的范围内,遍历各个通道数据,找出各通道数据中绝对值最大的数据Dimax,与其对应的通道数据都以这个最大值作为基准值进行相应的计算,即己知某采样点的值为Draw,那么归一化后的值为Dshow=Draw/Dimax,据此归一化图像数据集中所有通道数据从而得到归一化图像集。
进一步地,在S400中,对归一化图像集进行降维得到降维图像集的方法为:通过PCA主成分分析算法、SVD奇异值分解算法、FA因子分析算法、ICA独立成分分析算法、LLE局部线性嵌入算法中任意一种降维算法将归一化图像集进行降维得到降维图像集。
进一步地,在S500中,将降维图像集划分为训练集和测试集的方法包括:留出法、交叉验证法、自助法任意一种方法。
留出法为直接将降维图像集划分为两个互斥的集合,其中一个集合作为训练集,留下的集合作为测试集。
交叉验证法为将降维图像集划分为个大小相等的互斥子集,即每个子集都尽可能保持数据分布的一致性,即从中通过分层采样得到,然后,每次用个子集的并集作为训练集,剩下的那个子集作为测试集。
自助法为对进行降维图像集进行采样产生:每次随机从中降维图像集挑选一个样本,将其拷贝一份放入训练集中,保持不变的作为测试集,重复以上过程次。其中,有部分样本会多次出现在降维图像集中的数据集作为训练集,而另一部分不会出现在降维图像集的数据集作为测试集。
本公开的实施例提供的一种基于深度卷积网络的SAR检测系统,如图2所示为本公开的一种基于深度卷积网络的SAR检测系统结构图,该实施例的一种基于深度卷积网络的SAR检测系统包括:处理器、存储器以及存储在所述存储器中并可在所述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上述一种基于深度卷积网络的SAR检测系统实施例中的步骤。
所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述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运行在以下系统的单元中:
图像数据采集单元,用于输入SAR图像作为图像数据集;
检测网络构建单元,用于构建RetinaNet目标检测网络;
图像归一化单元,用于对图像数据集进行归一化得到归一化图像集;
图像降维单元,用于对归一化图像集进行降维得到降维图像集;
图像划分单元,用于将降维图像集划分为训练集和测试集;
网络训练单元,用于通过训练集训练RetinaNet目标检测网络并根据准确率调整网络参数得到目标检测模型;
目标检测单元,用于测试集通过目标检测模型进行目标检测。
所述一种基于深度卷积网络的SAR检测系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于深度卷积网络的SAR检测系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种基于深度卷积网络的SAR检测系统的示例,并不构成对一种基于深度卷积网络的SAR检测系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种基于深度卷积网络的SAR检测系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种基于深度卷积网络的SAR检测系统运行系统的控制中心,利用各种接口和线路连接整个一种基于深度卷积网络的SAR检测系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种基于深度卷积网络的SAR检测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (7)
1.一种基于深度卷积网络的SAR检测方法,其特征在于,所述方法包括以下步骤:
S100:输入SAR图像作为图像数据集;
S200:构建RetinaNet目标检测网络;
S300:对图像数据集进行归一化得到归一化图像集;
S400:对归一化图像集进行降维得到降维图像集;
S500:将降维图像集划分为训练集和测试集;
S600:通过训练集训练RetinaNet目标检测网络并根据准确率调整网络参数得到目标检测模型;
S700:测试集通过目标检测模型进行目标检测。
2.根据权利要求1所述的一种基于深度卷积网络的SAR检测方法,其特征在于,在S100中,所述SAR图像由SAR合成孔径雷达系统产生,SAR图像只记录了一个波段的回波信息,以二进制复数形式记录下来;基于每个像素的复数的数据可变换提取相应的振幅和相位信息。
3.根据权利要求1所述的一种基于深度卷积网络的SAR检测方法,其特征在于,所述RetinaNet目标检测网络是由Resnet分类网络作为主干网络、FPN算法和两个FCN子网络组成的统一目标检测网络;Resnet分类网络的主要作用是通过一系列卷积操作得到整张输入图像的特征图像;分类子网和回归子网分别基于输出的特征图像进行目标分类和位置回归;Resnet分类网络的卷积过程用的是ResNet,上采样和侧边连接还是FPN结构;后面连接分类子网和回归子网,分别进行分类和回归;
分类子网为:分类子网对A个锚点,每个锚点中的K个类别,都预测一个存在概率;对于FPN的每一层输出,对分类子网来说,加上四层3x3x256卷积的FCN网络,最后一层的卷积用3x3xKA,最后一层维度变为KA表示;在RetinaNet中采用5层的卷积结构;
回归子网为:与分类子网并行,对每一层FPN输出接上一个位置回归子网,回归子网本质也是FCN网络;是4层256维卷积,最后一层是4A维度,即对每一个锚点,回归一个四维向量。
4.根据权利要求1所述的一种基于深度卷积网络的SAR检测方法,其特征在于,在S300中,对图像数据集进行归一化得到归一化图像集的方法为:将图像RGB三个颜色通道中每个通道振幅归一到[-1,1]的范围内,遍历各个通道数据,找出各通道数据中绝对值最大的数据Dimax,与其对应的通道数据都以这个最大值作为基准值进行相应的计算,即己知某采样点的值为Draw,那么归一化后的值为Dshow=Draw/Dimax,据此归一化图像数据集中所有通道数据从而得到归一化图像集。
5.根据权利要求1所述的一种基于深度卷积网络的SAR检测方法,其特征在于,在S400中,对归一化图像集进行降维得到降维图像集的方法为:通过PCA主成分分析算法、SVD奇异值分解算法、FA因子分析算法、ICA独立成分分析算法、LLE局部线性嵌入算法中任意一种降维算法将归一化图像集进行降维得到降维图像集。
6.根据权利要求1所述的一种基于深度卷积网络的SAR检测方法,其特征在于,在S500中,将降维图像集划分为训练集和测试集的方法包括:留出法、交叉验证法、自助法任意一种方法;
留出法为直接将降维图像集划分为两个互斥的集合,其中一个集合作为训练集,留下的集合作为测试集;
交叉验证法为将降维图像集划分为个大小相等的互斥子集,即每个子集都保持数据分布的一致性,即从中通过分层采样得到,然后,每次用个子集的并集作为训练集,剩下的那个子集作为测试集;
自助法为对进行降维图像集进行采样产生:每次随机从中降维图像集挑选一个样本,将其拷贝一份放入训练集中,保持不变的作为测试集,并重复执行直到样本划分完成。
7.一种基于深度卷积网络的SAR检测系统,其特征在于,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述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运行在以下系统的单元中:
图像数据采集单元,用于输入SAR图像作为图像数据集;
检测网络构建单元,用于构建RetinaNet目标检测网络;
图像归一化单元,用于对图像数据集进行归一化得到归一化图像集;
图像降维单元,用于对归一化图像集进行降维得到降维图像集;
图像划分单元,用于将降维图像集划分为训练集和测试集;
网络训练单元,用于通过训练集训练RetinaNet目标检测网络并根据准确率调整网络参数得到目标检测模型;
目标检测单元,用于测试集通过目标检测模型进行目标检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298117.1A CN111062321B (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度卷积网络的sar检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298117.1A CN111062321B (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度卷积网络的sar检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062321A true CN111062321A (zh) | 2020-04-24 |
CN111062321B CN111062321B (zh) | 2023-05-30 |
Family
ID=70301375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911298117.1A Active CN111062321B (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度卷积网络的sar检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062321B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001239A (zh) * | 2020-07-15 | 2020-11-27 | 成都信息工程大学 | 基于多重svd显著性融合的sar图像目标检测优化方法 |
CN113221631A (zh) * | 2021-03-22 | 2021-08-06 | 西安电子科技大学 | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 |
CN113449812A (zh) * | 2021-07-16 | 2021-09-28 | 上海海洋大学 | 一种基于局部线性嵌入算法的gnss-r海冰检测方法及装置 |
CN113971433A (zh) * | 2020-07-24 | 2022-01-25 | Aptiv技术有限公司 | 预测对象的轨迹的方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135267A (zh) * | 2019-04-17 | 2019-08-16 | 电子科技大学 | 一种大场景sar图像细微目标检测方法 |
CN110532859A (zh) * | 2019-07-18 | 2019-12-03 | 西安电子科技大学 | 基于深度进化剪枝卷积网的遥感图像目标检测方法 |
-
2019
- 2019-12-17 CN CN201911298117.1A patent/CN111062321B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135267A (zh) * | 2019-04-17 | 2019-08-16 | 电子科技大学 | 一种大场景sar图像细微目标检测方法 |
CN110532859A (zh) * | 2019-07-18 | 2019-12-03 | 西安电子科技大学 | 基于深度进化剪枝卷积网的遥感图像目标检测方法 |
Non-Patent Citations (1)
Title |
---|
戴伟聪;金龙旭;李国宁;郑志强;: "遥感图像中飞机的改进YOLOv3实时检测算法" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001239A (zh) * | 2020-07-15 | 2020-11-27 | 成都信息工程大学 | 基于多重svd显著性融合的sar图像目标检测优化方法 |
CN112001239B (zh) * | 2020-07-15 | 2023-11-28 | 成都信息工程大学 | 基于多重svd显著性融合的sar图像目标检测优化方法 |
CN113971433A (zh) * | 2020-07-24 | 2022-01-25 | Aptiv技术有限公司 | 预测对象的轨迹的方法和系统 |
CN113221631A (zh) * | 2021-03-22 | 2021-08-06 | 西安电子科技大学 | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 |
CN113449812A (zh) * | 2021-07-16 | 2021-09-28 | 上海海洋大学 | 一种基于局部线性嵌入算法的gnss-r海冰检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111062321B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062321B (zh) | 一种基于深度卷积网络的sar检测方法及系统 | |
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
Zhuo et al. | Cloud classification of ground-based images using texture–structure features | |
Singh et al. | SAR image categorization with log cumulants of the fractional Fourier transform coefficients | |
Zhang et al. | Polarimetric HRRP recognition based on ConvLSTM with self-attention | |
Xiao et al. | Segmentation of multispectral high-resolution satellite imagery using log Gabor filters | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
Imani et al. | Edge patch image‐based morphological profiles for classification of Multispectral and hyperspectral data | |
CN115311531A (zh) | 一种RefineDet网络模型的探地雷达地下空洞目标自动检测方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
Bai et al. | K-means based histogram using multiresolution feature vectors for color texture database retrieval | |
JP2024508867A (ja) | 画像クラスタリング方法、装置、コンピュータ機器及びコンピュータプログラム | |
Singh et al. | Performance enhancement of salient object detection using superpixel based Gaussian mixture model | |
Yang et al. | Sar images target detection based on yolov5 | |
Arivazhagan et al. | Optimal Gabor sub-band-based spectral kurtosis and Teager Kaiser energy for maritime target detection in SAR images | |
Wang et al. | Ship discrimination with deep convolutional neural networks in SAR Images | |
Yang et al. | Supervised land-cover classification of TerraSAR-X imagery over urban areas using extremely randomized clustering forests | |
Mao et al. | PolSAR data-based land cover classification using dual-channel watershed region-merging segmentation and bagging-ELM | |
Suman et al. | Study the effect of convolutional local information-based fuzzy c-means classifiers with different distance measures | |
CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
CN111967292A (zh) | 一种轻量级的sar图像船只检测方法 | |
Yang et al. | Semantic labelling of SAR images with conditional random fields on region adjacency graph | |
CN112686871A (zh) | 基于改进对数比算子和Gabor_ELM的SAR图像变化检测方法 | |
Khare et al. | Integration of complex wavelet transform and Zernike moment for multi‐class classification | |
El-Bana et al. | Evaluating the Potential of Wavelet Pooling on Improving the Data Efficiency of Light-Weight CNNs |
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 |